312445_de-DE

liliconcom

Entdecken und Vorhersagen von Mustern mithilfe neuronaler Netzwerkmodelle

 

Erfahren Sie, wie Sie:

• Verstehen Sie ein neuronales Netzwerk als Funktion einer Reihe abgeleiteter Eingaben, sogenannte versteckte Knoten, bei denen es sich um nichtlineare Funktionen der ursprünglichen Eingaben handelt
• Interpretieren Sie die Eingaben (Faktoren) und Ausgaben (Antworten) des neuronalen Netzwerkdiagramms.
• Begriffe und deren Anwendung beim Aufbau neuronaler Netze verstehen (Knoten, Aktivierungstyp, Aktivierungsfunktionen)
• Verstehen Sie Arten von Aktivierungsfunktionen (TanH, Linear, Gauß, Sigmoid, Identität und Radial), die eine lineare Kombination der X-Variablen an den Knoten verborgener Schichten transformieren
• Befolgen Sie die Reihenfolge zum Erstellen eines neuronalen Netzwerkmodells
  • Einführungsmodell (JMP vs. JMP Pro)
  • Geben Sie # Knoten in der ersten und zweiten Ebene an
  • Verwenden Sie Boosting, um ein größeres additives Modell zu erstellen, das an die skalierten Residuen früherer kleinerer Modelle angepasst ist.)
  • Geben Sie die Lernrate an (näher an 1 wird das Modell schneller ausgeführt, kann aber zu einer Überanpassung neigen)
  • Kovariaten transformieren
  • Verwenden Sie Robust Fit für eine kontinuierliche Ausgabe, um die Auswirkungen von Ausreißern zu minimieren
  • Verstehen Sie, wie JMP Strafmethoden und die Anzahl der Touren verwendet
  • Wählen Sie die Strafmethode (quadratisch, absolut, keine Strafe), um eine Überanpassung zu vermeiden
  • Wählen Sie die Anzahl der Touren aus
• 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 für neuronale Netze zu ändern
  • Verwenden Sie „Actual by Predicted Plot“ und „Profiler“, um zu bewerten, wie sich Prädiktoren auf die Ergebnisse auswirken
• Fallstudie zum Aufbau eines neuronalen Netzwerks für kategoriale Antworten
  • Interpretieren Sie Fit-Statistiken, Verwirrungsmatrix, ROC-Kurven und Lift-Kurven

 

Ressourcen:

• Extrapolationskontrolloptionen im Neural Net Prediction Profiler
• Verstehen der Prinzipien für die Erstellung von Vorhersagemodellen Video

Prädiktive Modellierung und maschinelles Lernen