312445_de-DE

liliconcom

Entdecken und Vorhersagen von Mustern mit neuronalen Netzwerkmodellen

 

Sehen Sie, wie es geht:

• Verstehen Sie ein neuronales Netzwerk als Funktion einer Reihe abgeleiteter Eingaben, die als versteckte Knoten bezeichnet werden und nichtlineare Funktionen der ursprünglichen Eingaben sind
• Interpretieren Sie die Eingaben (Faktoren) und Ausgaben (Antworten) des neuronalen Netzwerkdiagramms
• Begriffe und ihre Anwendung auf den Aufbau neuronaler Netze verstehen (Knoten, Aktivierungstyp, Aktivierungsfunktionen)
• Arten von Aktivierungsfunktionen (TanH, Linear, Gaußian, Sigmoid, Identity und Radial) verstehen, die eine lineare Kombination der X-Variablen an den Knoten verborgener Schichten transformieren
• Befolgen Sie die Reihenfolge zum Erstellen eines neuronalen Netzwerkmodells
  • Startmodell (JMP vs. JMP Pro)
  • Geben Sie # Knoten in der ersten und zweiten Ebene an
  • Verwenden Sie Boosting, um eine größere additive Modellanpassung an die skalierten Residuen früherer kleinerer Modelle zu erstellen.)
  • Lernrate angeben (näher an 1 wird das Modell schneller ausgeführt, kann aber zur Überanpassung neigen)
  • Kovariaten transformieren
  • Verwenden Sie Robust Fit für kontinuierliche Ausgabe, um die Auswirkungen von Ausreißern zu minimieren
  • Verstehen, wie JMP Penalty-Methoden und die Anzahl der Touren verwendet
  • Wählen Sie Penalty Method (Squared, Absolute, No Penalty) aus, um eine Überanpassung zu vermeiden
  • Wählen Sie die Anzahl der Touren
• Fallstudie zum Aufbau eines neuronalen Netzwerks für eine kontinuierliche Reaktion
  • Verwenden Sie die JMP-Validierung, um eine Überanpassung zu vermeiden
  • Vergleichen Sie die Werte des Trainingssatzes und des Validierungssatzes
  • Verwenden Sie Model Launch, um die Einstellungen des neuralen Netzes zu ändern
  • Verwenden Sie den Plot „Tatsächlich nach Vorhersage“ und den Profiler, um auszuwerten, wie sich Prädiktoren auf die Ergebnisse auswirken
• Fallstudie zum Aufbau eines neuronalen Netzwerks für kategoriale Antworten
  • Interpretieren Sie Fit-Statistiken, Confusion Matrix, ROC-Kurven und Lift-Kurven

 

Ressourcen:

• Extrapolationssteuerungsoptionen im Neural Net Prediction Profiler
• Verstehen der Prinzipien zum Erstellen von Vorhersagemodellen Video

Vorhersagemodellierung und maschinelles Lernen