312445_zh-CN

liliconcom

使用神经网络模型发现和预测模式

 

请参阅如何：

• 将神经网络理解为一组派生输入（称为隐藏节点）的函数，这些输入是原始输入的非线性函数
• 解释神经网络图的输入（因素）和输出（响应）
• 了解术语以及它们如何应用于构建神经网络（节点、激活类型、激活函数）
• 了解激活函数的类型（TanH、线性、高斯、Sigmoid、恒等和径向），这些函数在隐藏层节点处转换 X 变量的线性组合
• 按照构建神经网络模型的顺序
  • 启动模型（JMP 与 JMP Pro）
  • 指定第一层和第二层的#个节点
  • 使用提升来构建一个更大的加性模型，拟合先前较小模型的缩放残差）
  • 指定学习率（接近 1 将使模型运行得更快，但可能会过度拟合）
  • 变换协变量
  • 使用 Robust Fit 进行连续输出，以最大程度地减少异常值的影响
  • 了解 JMP 如何使用惩罚方法和游览次数
  • 选择惩罚方法（平方、绝对、无惩罚）以帮助避免过度拟合
  • 选择旅行团数量
• 构建连续响应神经网络的案例研究
  • 使用 JMP 验证避免过度拟合
  • 比较训练集和验证集值
  • 使用模型启动更改神经网络设置
  • 使用实际预测图和刻画器来评估预测因素如何影响结果
• 构建用于分类响应的神经网络的案例研究
  • 解释拟合统计量、混淆矩阵、ROC 曲线和提升曲线

 

资源：

• 外推控制选项在神经网络预测刻画器中
• 了解构建预测模型的原则视频

预测建模和机器学习