神經網絡中的建模性能你好，
1. 在許多（某些？）情況下，JMP NN 的建模性能優於其他（即 python）。
昨天，我在一家半導體相關公司測試並比較了 JMP 和 python 的 NN 結果與他們的數據（其他一些數據集）。 基於 R-square，python 的結果是 70%-80%，而 JMP 的結果是 95%-99%。
為什麼 JMP 的分析更好？在什麼情況下會產生這種結果？
2. 相關問題。 通常，驗證性能優於訓練性能。 在什麼情況下會產生這種結果？
什麼時候沒有明確的重要因素？ 當數據量不大時？ 當數據中有許多相同的值時？ 當節點數量很大時？
我想知道如何解釋這一點。 請幫我。 謝謝。
回复：神經網絡中的建模性能對於（1），我想這不是一個簡單的比較。 我猜python中有無數的NN包。 你用的是哪一個？ 什麼設置？ 另外，你在比較什麼 R 方？ 如果 JMP 對數據進行分區，在 python 中是否使用相同的分區進行嘗試？等等
對於（2），我剛剛嘗試了我們的輪胎胎面數據，Y 是磨損。 結果與您觀察到的相反。 這是我所做的。
- 使用嵌入的神經腳本，但刪除除磨損之外的所有 Y。
- 默認設置，開始。
- 右鍵Training R-sqr，Bootstrap，勾選Fractional Weights，隨機種子55555。
- 右鍵單擊驗證 R-sqr，Bootstrap，檢查分數權重，相同的隨機種子 55555。
- 將引導的 R-sqr 並排放在同一張表中。 使用公式創建一個新列：ValidationRSqr > TrainingRSqr。 該列的平均值小於 0.5。 這意味著驗證 R2 平均而言比訓練 R2 差。
回复：神經網絡中的建模性能嗨，彭，
客戶的問題有點含糊，但在很多情況下JMP的結果都很好，所以我估計他們問了這個問題。 （Q2）正如您的評論，如果我使用引導函數進行檢查，則訓練 R 方值大於驗證 R 方值的概率要高得多。
謝謝
