312445_fr-FR

liliconcom

Découvrir et prédire des modèles à l'aide de modèles de réseaux de neurones

 

Découvrez comment :

• Comprendre un réseau de neurones en fonction d'un ensemble d'entrées dérivées, appelées nœuds cachés, qui sont des fonctions non linéaires des entrées d'origine
• Interpréter les entrées (facteurs) et les sorties (réponses) du diagramme de réseau neuronal
• Comprendre les termes et comment ils s'appliquent à la construction de réseaux de neurones (nœuds, type d'activation, fonctions d'activation)
• Comprendre les types de fonctions d'activation (TanH, linéaire, gaussienne, sigmoïde, identitaire et radiale) qui transforment une combinaison linéaire des variables X aux nœuds des couches cachées
• Suivre la séquence pour créer un modèle de réseau de neurones
  • Modèle de lancement (JMP vs JMP Pro)
  • Spécifiez # nœuds dans la première et la deuxième couche
  • Utilisez le renforcement pour construire un modèle additif plus grand adapté aux résidus mis à l'échelle des modèles plus petits précédents)
  • Spécifiez le taux d'apprentissage (plus proche de 1 exécutera le modèle plus rapidement, mais peut avoir tendance à sur-adapter)
  • Transformer les covariables
  • Utilisez Robust Fit pour une sortie continue afin de minimiser l'impact des valeurs aberrantes
  • Comprendre comment JMP utilise les méthodes de pénalité et le nombre de tours
  • Sélectionnez la méthode de pénalité (au carré, absolue, sans pénalité) pour éviter le surajustement
  • Sélectionnez le nombre de visites
• Étude de cas sur la construction d'un réseau de neurones pour une réponse continue
  • Utilisez la validation JMP pour éviter le surajustement
  • Comparer les valeurs de l'ensemble de formation et de l'ensemble de validation
  • Utiliser Model Launch pour modifier les paramètres Neural Net
  • Utilisez Actual by Predicted Plot et Profiler pour évaluer l'impact des prédicteurs sur les résultats
• Étude de cas sur la construction d'un réseau de neurones pour une réponse catégorique
  • Interpréter les statistiques d'ajustement, la matrice de confusion, les courbes ROC et les courbes de levage

 

Ressources:

• Options de contrôle d'extrapolation dans Neural Net Prediction Profiler
• Comprendre les principes de construction de modèles prédictifs vidéo

Modélisation prédictive et apprentissage automatique