312445_zh-TW

liliconcom

使用神經網路模型發現和預測模式

 

請參閱如何：

• 將神經網路理解為一組派生輸入（稱為隱藏節點）的函數，這些輸入是原始輸入的非線性函數
• 解釋神經網路圖的輸入（因素）和輸出（反應）
• 了解術語以及它們如何應用於構建神經網路（節點、激活類型、激活函數）
• 了解激活函數的類型（TanH、線性、高斯、Sigmoid、恆等和徑向），這些函數在隱藏層節點轉換 X 變數的線性組合
• 依照建構神經網路模型的順序
  • 啟動模型（JMP 與 JMP Pro）
  • 指定第一層和第二層的#個節點
  • 使用提升來建立一個更大的加性模型，擬合先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，但可能過度擬合）
  • 變換協變量
  • 使用 Robust Fit 進行連續輸出，以最大程度地減少異常值的影響
  • 了解 JMP 如何使用懲罰方法和遊覽次數
  • 選擇懲罰方法（平方、絕對、無懲罰）以幫助避免過度擬合
  • 選擇旅行團數量
• 建構連續響應神經網路的案例研究
  • 使用 JMP 驗證避免過度擬合
  • 比較訓練集和驗證集值
  • 使用模型啟動更改神經網路設置
  • 使用實際預測圖和刻畫器來評估預測變數如何影響結果
• 建構用於分類響應的神經網路的案例研究
  • 解釋擬合統計量、混淆矩陣、ROC 曲線和提升曲線

 

資源：

• 外推控制選項在神經網路預測刻畫器中
• 了解建構預測模型的原則影片

預測建模和機器學習