预测模型比较——线性回归和神经网络我正在使用 JMP PRO 16 来验证有限元模拟的数据结果。我想同时使用线性回归模型和神经网络模型并进行比较。对于线性回归模型，我发现需要变量变换才能满足线性、残差正态性和方差常数的假设。变换是两个预测变量的平方项和响应变量以 10 为底的对数。这在线性回归中给出了可接受的结果。
当我在神经网络上对相同数据进行建模时，是否需要在开始建模之前对预测变量和响应变量强制执行相同的转换？
斯里库马尔
高级统计建模数据探索与可视化大规模定制预测模型和机器学习质量与工艺工程分享和交流结果回复：预测模型比较 - 线性回归和神经网络感谢您的及时回复。 我也会对神经网络进行相应的处理
斯里库马尔
回复：预测模型比较 - 线性回归和神经网络我现在已经为模型使用了线性回归、引导森林和神经网络。 我打算评估 R 平方、RASE 和 AAE 以比较模型性能。 对于前两个选项，我使用以 10 为底的对数作为响应变量的转换。 但是对于神经网络，这种转换在模型比较中产生了错误的结果。
还注意到在线性回归和引导森林模型中，JMP Pro 在将预测响应保存到数据表之前将其转换为其常规值（而不是 Log10 值）。 对于神经网络，我没有对响应进行归一化，而是使用实际观察值作为 Y。 此后模型比较平台产生了适当的结果，并附上此比较表。
这种方法适合这个问题吗？ 神经网络中是否有办法在保存或发布预测公式的同时对响应值进行归一化并在数据表中以正则形式获得预测结果？
回复：预测模型比较 - 线性回归和神经网络你比较的依据是什么？ 如果您对模型有不同的响应，则不能使用 AICc。
您如何验证每个模型的选择？
