312445_zh-TW

liliconcom

使用神經網絡模型發現和預測模式

 

了解如何：

• 將神經網絡理解為一組衍生輸入（稱為隱藏節點）的函數，這些輸入是原始輸入的非線性函數
• 解釋神經網絡圖的輸入（因素）和輸出（響應）
• 了解術語以及它們如何應用於構建神經網絡（節點、激活類型、激活函數）
• 了解激活函數的類型（TanH、Linear、Gaussian、Sigmoid、Identity 和 Radial），它們在隱藏層的節點處轉換 X 變量的線性組合
• 按照順序構建神經網絡模型
  • 啟動模型（JMP 與 JMP Pro）
  • 在第一層和第二層指定 # 個節點
  • 使用 boosting 建立一個更大的加性模型，以適應以前較小模型的縮放殘差）
  • 指定學習率（接近 1 將使模型運行得更快，但可能會過度擬合）
  • 變換協變量
  • 使用穩健擬合進行連續輸出，以最大限度地減少異常值的影響
  • 了解 JMP 如何使用懲罰方法和巡視次數
  • 選擇懲罰方法（平方、絕對、無懲罰）以幫助避免過度擬合
  • 選擇遊覽次數
• 構建用於連續響應的神經網絡的案例研究
  • 使用 JMP 驗證避免過擬合
  • 比較訓練集和驗證集值
  • 使用 Model Launch 更改神經網絡設置
  • 使用 Actual by Predicted Plot 和 Profiler 來評估預測變量如何影響結果
• 為分類響應構建神經網絡的案例研究
  • 解釋擬合統計、混淆矩陣、ROC 曲線和提升曲線

 

資源：

• 外推控制選項在神經網絡預測刻畫器中
• 了解構建預測模型的原則視頻

預測建模和機器學習