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:

• ニューラル ネットワークを、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理解する
• 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、アクティベーション タイプ、アクティベーション関数)
• 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種類 (TanH、線形、ガウス、シグモイド、恒等式、および放射状) を理解する
• ニューラル ネットワーク モデルを構築するための手順に従います
  • 発売モデル（JMP vs. JMP Pro）
  • 第 1 層と第 2 層のノード数を指定します
  • 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算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が速くなりますが、過剰適合する傾向がある可能性があります)
  • 共変量の変換
  • 連続出力にロバストフィットを使用して外れ値の影響を最小限に抑える
  • 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
  • 過学習を避けるためにペナルティ方法 (二乗、絶対値、ペナルティなし) を選択します。
  • ツアー数を選択してください
• 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 検証を使用してオーバーフィッティングを回避する
  • トレーニング セットと検証セットの値を比較する
  • Model Launch を使用してニューラル ネット設定を変更する
  • 「実際の予測プロット」と「プロファイラー」を使用して、予測変数が結果にどのような影響を与えるかを評価します。
• カテゴリ別応答用のニューラル 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、リフト曲線の解釈

 

リソース：

• 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で
• 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