TABLEAU DE COMPARAISON DES MODÈLES DANS JMP PRO - DIFFÉRENCE DE VALEURSJ'effectue trois analyses sur un ensemble de données, à savoir la régression linéaire multiple, les forêts bootstrap et les réseaux de neurones, puis j'applique le tableau de comparaison des modèles pour obtenir un résumé des résultats en un coup d'œil. Je trouve que les résultats obtenus dans les réseaux de neurones apparaissent différemment dans la sortie réelle du réseau de neurones et dans le tableau de comparaison des modèles. Par exemple, la valeur R Square obtenue dans la sortie du réseau neuronal était de 0,9812414, mais elle apparaît comme 0,9553 dans le tableau de comparaison des modèles pour l'ensemble de test de la colonne de validation. Comment cette valeur évolue-t-elle dans le tableau de comparaison des modèles ?
Modélisation prédictive et apprentissage automatiqueObjet : TABLEAU DE COMPARAISON DES MODÈLES DANS JMP PRO - DIFFÉRENCE DES VALEURSMerci pour votre réponse rapide, qui a clarifié la question.
Objet : TABLEAU DE COMPARAISON DES MODÈLES DANS JMP PRO - DIFFÉRENCE DES VALEURSL'algorithme de réseau neuronal commence par attribuer de manière aléatoire un ensemble de poids, puis réajuste ces poids de manière itérative. Ce processus produit un ensemble légèrement différent de poids finaux (et donc de statistiques d'ajustement) à chaque fois que l'algorithme est exécuté. Vous avez enregistré un ensemble spécifique de poids lors de l'enregistrement de la formule de prédiction à utiliser dans la comparaison de modèles, et maintenant, lorsque vous réexécutez l'analyse en ouvrant le fichier .jrp, le modèle est réexécuté avec un nouvel ensemble aléatoire de poids de départ et produit des résultats numériques légèrement différents. . Pour obtenir exactement le même résultat numérique à chaque fois, spécifiez une valeur de départ aléatoire avant d'exécuter le modèle. (Voir cette page documentaire .) La définition de la graine aléatoire garantira que l'initialisation aléatoire des poids est la même à chaque fois.
Le même concept s'applique à la forêt Bootstrap (ici, la graine aléatoire contrôle l'échantillonnage bootstrap), bien que l'option de graine aléatoire apparaisse dans la fenêtre de spécification au lieu de la fenêtre de lancement comme dans Neural :
