VERGLEICH VON VORHERSAGEMODELLEN – LINEARE REGRESSION UND NEURONALES NETZIch verwende JMP PRO 16 zur Validierung der Datenergebnisse aus einer Finite-Elemente-Simulation. Ich möchte sowohl lineare Regressionsmodelle als auch neuronale Netzwerkmodelle verwenden und einen Vergleich durchführen. Für das lineare Regressionsmodell habe ich festgestellt, dass Variablentransformationen erforderlich sind, um die Annahmen von Linearität, Normalität der Residuen und konstanter Varianz zu erfüllen. Die Transformationen sind die quadratischen Terme zweier Prädiktoren und der Logarithmus zur Basis 10 der Antwortvariablen. Dies führt zu akzeptablen Ergebnissen bei der linearen Regression.
Wenn ich dieselben Daten in einem neuronalen Netzwerk modelliere, muss ich dann dieselben Transformationen für die Prädiktoren und die Antwortvariable erzwingen, bevor ich mit der Modellierung beginne?
Srikumar
Erweiterte statistische ModellierungDatenexploration und -visualisierungMassenanpassungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzesstechnikErgebnisse teilen und kommunizierenBetr.: VORHERSAGEMODELLE VERGLEICHE - LINEARE REGRESSION UND NEURALES NETZWERKÄhnlich wie bei Regressionsmodellen ist es eine gute Idee, Ihre Antwort auch für neuronale Netzwerkmodelle zu normalisieren, um das beste Lernergebnis über den Bereich der Antwortwerte zu erzielen.Die Linearisierung der Faktoren ist weniger wichtig, da die neuronale Netzwerkplattform von JMP über nichtlineare Aktivierungsknoten mit Sigmoid- und Gaußschen Knoten verfügt.
Betr.: VORHERSAGEMODELLE VERGLEICHE - LINEARE REGRESSION UND NEURALES NETZWERKVielen Dank für Ihre prompte Antwort. Auch für Neuronale Netze werde ich entsprechend vorgehen
Sreekumar
Betr.: VORHERSAGEMODELLE VERGLEICHE - LINEARE REGRESSION UND NEURALES NETZWERKIch habe jetzt die lineare Regression, den Bootstrap Forest und das neuronale Netzwerk für das Modell verwendet. Ich beabsichtige, das R-Quadrat, RASE und AAE zum Vergleich der Modellleistungen zu bewerten. Für die ersten beiden Optionen habe ich den Logarithmus zur Basis 10 als Transformation für die Antwortvariable verwendet. Für Neural Network führte diese Transformation jedoch zu fehlerhaften Ergebnissen im Modellvergleich.
Außerdem wird in linearen Regressions- und Bootstrap-Forest-Modellen bemerkt, dass JMP Pro die vorhergesagte Antwort in ihren regulären Wert (anstelle der Log10-Werte) konvertiert, bevor sie in der Datentabelle gespeichert wird. Für Neural Network habe ich die Antwort nicht normalisiert und den tatsächlich beobachteten Wert als Y verwendet. Danach lieferte die Modellvergleichsplattform einwandfreie Ergebnisse und diese Vergleichstabelle ist beigefügt.
Ist dieser Ansatz für dieses Problem geeignet? Gibt es im neuronalen Netzwerk eine Möglichkeit, die Antwortwerte zu normalisieren und die vorhergesagten Ergebnisse in der regulären Form in der Datentabelle zu erhalten, während die Vorhersageformel gespeichert oder veröffentlicht wird?
Betr.: VORHERSAGEMODELLE VERGLEICHE - LINEARE REGRESSION UND NEURALES NETZWERKWas ist die Grundlage für Ihren Vergleich? Sie können AICc nicht verwenden, wenn Sie in den Modellen unterschiedliche Antworten haben.
Wie validieren Sie die Auswahl der einzelnen Modelle?
