312445_ja-JP

liliconcom

ニューラルネットワークモデルを使用したパターンの発見と予測

 

方法を参照してください：

• 元の入力の非線形関数である、隠れノードと呼ばれる一連の派生入力の関数としてニューラルネットワークを理解します
• ニューラルネットワーク図の入力（因子）と出力（応答）を解釈する
• 用語とそれらがニューラルネットワークの構築にどのように適用されるかを理解する（ノード、活性化タイプ、活性化関数）
• 隠れ層のノードでX変数の線形結合を変換する活性化関数のタイプ（TanH、線形、ガウス、シグモイド、アイデンティティ、および放射状）を理解します
• ニューラルネットワークモデルを構築するためのシーケンスに従ってください
  • 起動モデル（JMPとJMP Pro）
  • 第1層と第2層に＃ノードを指定
  • ブースティングを使用して、以前の小さなモデルのスケーリングされた残差に適合するより大きな加法モデルを構築します）
  • 学習率を指定します（1に近いほどモデルの実行速度は速くなりますが、過剰適合する傾向があります）
  • 共変量を変換する
  • 外れ値の影響を最小限に抑えるために、連続出力にロバストフィットを使用します
  • JMPがペナルティ方法とツアー数をどのように使用しているかを理解する
  • 過剰適合を回避するために、ペナルティ方法（2乗、絶対、ペナルティなし）を選択します
  • ツアーの数を選択
• 継続的な応答のためのニューラルネットワークを構築するケーススタディ
  • JMP検証を使用して、過剰適合を回避します
  • トレーニングセットと検証セットの値を比較する
  • モデル起動を使用してニューラルネット設定を変更します
  • 予測プロットとプロファイラーによる実績を使用して、予測子が結果にどのように影響するかを評価します
• カテゴリカル応答のためのニューラルネットワークを構築するケーススタディ
  • 適合統計、混同行列、ROC曲線、リフト曲線を解釈する

 

資力：

• 外挿制御オプションニューラルネット予測プロファイラー
• 予測モデルを構築するための原則を理解するビデオ

予測モデリングと機械学習