312445_es-ES

liliconcom

Descubrir y predecir patrones utilizando modelos de redes neuronales

 

Vea cómo:

• Comprender una red neuronal como una función de un conjunto de entradas derivadas, llamadas nodos ocultos, que son funciones no lineales de las entradas originales.
• Interpretar las entradas (factores) y las salidas (respuestas) del diagrama de redes neuronales.
• Comprender los términos y cómo se aplican a la construcción de redes neuronales (nodos, tipo de activación, funciones de activación).
• Comprender los tipos de funciones de activación (TanH, lineal, gaussiana, sigmoidea, de identidad y radial) que transforman una combinación lineal de las variables X en los nodos de capas ocultas.
• Siga la secuencia para construir un modelo de red neuronal
  • Modelo de lanzamiento (JMP frente a JMP Pro)
  • Especifique # nodos en la primera y segunda capa
  • Utilice el refuerzo para construir un modelo aditivo más grande que se ajuste a los residuos escalados de modelos más pequeños anteriores)
  • Especifique la tasa de aprendizaje (más cerca de 1 ejecutará el modelo más rápido, pero puede tender a sobreajustarse)
  • Transformar covariables
  • Utilice Robust Fit para una producción continua para minimizar el impacto de los valores atípicos
  • Comprenda cómo JMP utiliza los métodos de penalización y el número de recorridos
  • Seleccione el método de penalización (al cuadrado, absoluto, sin penalización) para ayudar a evitar el sobreajuste
  • Selecciona número de Tours
• Estudio de caso sobre la construcción de una red neuronal para una respuesta continua
  • Utilice la validación JMP para evitar el sobreajuste
  • Comparar los valores del conjunto de entrenamiento y del conjunto de validación
  • Utilice Model Launch para cambiar la configuración de Neural Net
  • Utilice Real por gráfico previsto y Profiler para evaluar cómo los predictores impactan los resultados
• Estudio de caso sobre la construcción de una red neuronal para una respuesta categórica
  • Interpretar estadísticas de ajuste, matriz de confusión, curvas ROC y curvas de elevación

 

Recursos:

• Opciones de control de extrapolación en Perfilador de predicción de red neuronal
• Comprensión de los principios para crear modelos predictivos video

Modelado predictivo y aprendizaje automático