COMPARAISONS DE MODÈLES PRÉDICTIFS - RÉGRESSION LINÉAIRE ET RÉSEAU NEURONALJ'utilise JMP PRO 16 pour valider les résultats des données d'une simulation par éléments finis. Je souhaite utiliser à la fois des modèles de régression linéaire et des modèles de réseau neuronal et effectuer une comparaison. Pour le modèle de régression linéaire, j'ai constaté que des transformations de variables sont nécessaires pour satisfaire aux hypothèses de linéarité, de normalité des résidus et de variance constante. Les transformations sont les termes au carré de deux prédicteurs et le logarithme à la base 10 de la variable de réponse. Cela donne des résultats acceptables en régression linéaire.
Lorsque je modélise les mêmes données sur un réseau neuronal, dois-je appliquer les mêmes transformations pour les prédicteurs et la variable de réponse avant de commencer la modélisation ?
Sreekumar
Modélisation statistique avancéeExploration et visualisation des donnéesPersonnalisation de masseModélisation prédictive et apprentissage automatiqueIngénierie de la qualité et des procédésPartage et communication des résultatsObjet : COMPARAISONS DE MODÈLES PRÉDICTIFS - RÉGRESSION LINÉAIRE ET RÉSEAU DE NEURONESComme pour les modèles de régression, il est également judicieux de normaliser votre réponse pour les modèles de réseau neuronal afin d'obtenir le meilleur résultat d'apprentissage sur la plage de valeurs de réponse.La linéarisation des facteurs est moins importante car la plate-forme de réseau neuronal de JMP possède des nœuds d'activation non linéaires utilisant des nœuds sigmoïdes et gaussiens.
Objet : COMPARAISONS DE MODÈLES PRÉDICTIFS - RÉGRESSION LINÉAIRE ET RÉSEAU DE NEURONESMerci pour votre réponse rapide. Je procéderai en conséquence pour les réseaux de neurones également
Sreekumar
Objet : COMPARAISONS DE MODÈLES PRÉDICTIFS - RÉGRESSION LINÉAIRE ET RÉSEAU DE NEURONESJ'ai maintenant utilisé la régression linéaire, la forêt bootstrap et le réseau de neurones pour le modèle. J'ai l'intention d'évaluer le R carré, le RASE et l'AAE pour comparer les performances du modèle. Pour les deux premières options, j'ai utilisé le logarithme en base 10 comme transformation de la variable de réponse. Mais pour Neural Network , cette transformation a donné des résultats erronés dans la comparaison des modèles.
On remarque également que dans les modèles de régression linéaire et de forêt bootstrap, JMP Pro convertit la réponse prédite en sa valeur normale (au lieu des valeurs Log10) avant de l'enregistrer dans le tableau de données. Pour Neural Network, je n'ai pas normalisé la réponse et j'ai utilisé la valeur réelle observée comme Y. Par la suite, la plate-forme de comparaison de modèles a donné des résultats appropriés et ce tableau de comparaison est joint.
Cette approche est-elle appropriée pour ce problème ? Existe-t-il un moyen dans le réseau neuronal de normaliser les valeurs de réponse et d'obtenir les résultats prédits sous forme régulière dans la table de données tout en enregistrant ou en publiant la formule de prédiction ?
Objet : COMPARAISONS DE MODÈLES PRÉDICTIFS - RÉGRESSION LINÉAIRE ET RÉSEAU DE NEURONESQuelle est la base de votre comparaison ? Vous ne pouvez pas utiliser AICc si vous avez des réponses différentes selon les modèles.
Comment validez-vous la sélection de chaque modèle ?
