神经网络中的建模性能你好，
1. 在许多（某些？）情况下，JMP NN 的建模性能优于其他（即 python）。
昨天，我在一家半导体相关公司测试并比较了 JMP 和 python 的 NN 结果与他们的数据（其他一些数据集）。 基于 R-square，python 的结果是 70%-80%，但 JMP 的结果是 95%-99%。
为什么 JMP 的分析更好？在什么情况下会产生这种结果？
2. 相关问题。 通常，验证性能优于训练性能。 在什么情况下会产生这种结果？
什么时候没有明确的重要因素？ 当数据量不大时？ 当数据中有许多相同的值时？ 当节点数量很大时？
我想知道如何解释这一点。 请帮我。 谢谢。
回复：神经网络中的建模性能对于（1），我想这不是一个简单的比较。 我猜python中有无数的NN包。 你用的是哪一个？ 什么设置？ 另外，你在比较什么 R 方？ 如果 JMP 对数据进行分区，在 python 中是否使用相同的分区进行尝试？等等
对于（2），我刚刚尝试了我们的轮胎胎面数据，Y 是磨损。 结果与您观察到的相反。 这是我所做的。
- 使用嵌入的神经脚本，但删除除磨损之外的所有 Y。
- 默认设置，开始。
- 右键Training R-sqr，Bootstrap，勾选Fractional Weights，随机种子55555。
- 右键单击验证 R-sqr，Bootstrap，检查分数权重，相同的随机种子 55555。
- 将引导的 R-sqr 并排放在同一张表中。 使用公式创建一个新列：ValidationRSqr > TrainingRSqr。 该列的平均值小于 0.5。 这意味着验证 R2 平均而言比训练 R2 差。
回复：神经网络中的建模性能嗨，彭，
客户的问题有点含糊，但在很多情况下JMP的结果都很好，所以我估计他们问了这个问题。 （Q2）正如您的评论，如果我使用引导函数进行检查，则训练 R 方值大于验证 R 方值的概率要高得多。
谢谢
