人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムこんにちは、
最近、人工ニューラルネットワークにもJMP Proを使い始めました。
JMP を使用してニューラル ネットワーク アーキテクチャを検証するにはどうすればよいですか?
たとえば、数式、シンボリック ロジック、ファジー ロジック、またはデシジョン ツリーの使用など...
このシステムが「ブラックボックス」を解決できると読みました。
どうもありがとう、
アンジェロ
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムこんにちは、ダンさん
あなたの 200 列のソリューションを試しましたが、何か間違っていると思います。何が間違っているのかを知るための数式を表に添付しました。ありがとう!
乾杯、
マルコ
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムこんにちは、ダンさん
素晴らしい説明！！！ありがとう、あなたの解決策を試してみます。株式の価格 (添付の表 1 の基準と表 2 の目的) に関連して、始値、高値、安値、終値を含む 74,547 行の 4 つの列があります。 JMP の式を使用して変換するにはどうすればよいですか...式によって作成されたラベルとデータを含む最大行数を持つ 400 以上の新しい列...例:
open100、high100、low100、close100、open99、high99、low99、close99、open98、high98、low98、close98 ....
ごきげんよう、
マルコ
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムPython については話すことができません。 ただし、JMP 内から Python スクリプトを実行して、結果を戻すことはできます。 ただし、予測式は Python で作成されているため、JMP がそれを C コードに変換するとは思えません。JMP は独自のネイティブ式をさまざまな形式に変換することしかできません。
株価の 200 列については、スクリプトを使用するのが最も簡単な方法です。 ただし、対話型のアプローチでは次のことを実行します。
1) 200 列を隣り合わせて変換します。
2) [列] > [新しい列] を使用して、200 の新しい列を作成します。
3) 200 個の新しい列を選択します。すべて空です。
4) 「列」>「属性の標準化」を選択します。
5) [標準化プロパティ] セクションで、[列プロパティ] > [式] をクリックします。
6) [列参照の置換] チェックボックスをオンにし、[式の編集] をクリックします。
7) 200 の株価列の最初の数式を作成します。 式は (指定した内容に従って) 次のようになります。
8) 「OK」をクリックして数式エディタを閉じます。
9) [OK] をもう一度クリックして、[列属性の標準化] ダイアログを閉じます。
この式は、適切な列参照を適用して 200 列すべてに適用する必要があります。
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムこんにちは、ダンさん
素晴らしい回答です!、いくつかの質問:
1. Python にはリカレント ニューラル ネットワークがあるように思えますが、JMP プラットフォームでトレーニングして C コードを生成できますか?
2. 株価の列が 200 列あるテーブルがあります。
JMP はどのようにして 200 個の新しい列で数値 1 で安値を、数値 -1 で最高価格 (ピーク) を、そして 0 で残りの価格を示すことができるでしょうか?
ごきげんよう、
マルコ
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムポイント 1 の問題は、ニューラル ネットワークのアルゴリズムには時間軸の概念がないことです。 リカレント ニューラル ネットワークにはシーケンス コンポーネントが含まれているため、リカレント ニューラル ネットワークは時系列データによく使用されます。 JMP ではそれが提供されていないため、データ内に時間要素またはシーケンス要素を作成する必要があります。 これは大きなテーマであるため、このフォーラムでは完全なガイダンスを提供することはできません。 理解する必要があることの 1 つは、予測範囲です。 つまり、使用する時間の単位は何か、またどれくらい先の未来を予測しようとしているのかということです。 私の最初の提案は、1 日前の予測という非常にシンプルなアプローチでした。 このアプローチでは、以前のターゲット値は使用されず、入力の値のみが使用されます。 ただし、前日の目標を入力として使用することもできます。 次に、使用する過去のデータの量や予測期間の長さに応じて、さまざまなタイムラグを試してみます。 おそらく、ニューラル ネットワークに時間要素を追加するための、より創造的なテクニックが他にもいくつかあるでしょう。 調査によっては、他の選択肢が見つかる可能性があります。 予測を更新する頻度や予測が必要な頻度などに応じて、さまざまなアプローチが必要になることに注意してください。
2.については、「衝動が最適な量を見つける」というのが何を意味するのかわかりません。 最適な学習率、隠れ層の数、隠れノードの数などを見つけるという考え方は、自動チューニングと呼ばれます。 JMP は自動チューニングを提供しません。 JMP コミュニティを探せば、自動チューニングを支援する JMP スクリプトが見つかるはずです (誰かが書いていたことを覚えているようです)。 このスクリプトはまさに総当たり方式であり、指定したさまざまな設定をすべて試します。 したがって、かなり時間がかかる場合があります。 次に、結果に基づいて最適な組み合わせを選択します。
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムこんにちは、ダンさん
ご挨拶できてうれしいです。私にとって JMP は優れたソフトウェアであるように思えます。毎日、JMP が提供するソリューションのオプションを発見して驚かされています。.... いくつかの質問:
1. ポイント 1 の答えは興味深いものです (ターゲット変数を再トレースします...これを行うにはいくつかの方法があります)。例を使って詳しく説明します。
2. インパルスが最適な量を見つけることに気付きましたが、ニューラル ネットワーク プラットフォームには 1 つのモデルのパラメーターまたはハイパーパラメーターを最適化するオプションはありますか? ...つまり、学習率、最適なニューロン数、最適な層数...など
ごきげんよう、
マルコ
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムありがとう、 @Dan_Obermiller 、マルコの質問に答えてくれました。 も追加したいと思いますChris Gotwalt によるホワイトペーパー、JMP 統計開発者グループを管理しています。
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズム元の質問とは直接関係がないため、これはおそらく新しいスレッドにする必要があります。 私もマークではありませんが、あなたの質問に答えることができると思います。
1. 将来の出来事を予測するには、ニューラル ネットワークに時間要素を導入する必要があります。 これを行うには複数の方法があります。 1 つの方法は、ターゲット変数を 1 期間だけ遅らせることです。 したがって、時間間隔が日の場合、昨日の入力を使用して今日の目標を予測できます。 JMP がリカレント ニューラル ネットワークを提供していないというのは正しいことです。
2. JMP は重みの最適化に遺伝的アルゴリズムや遺伝的プログラミングを使用しません。
3. いいえ、JMP はニューロンの数や隠れ層の数を最適化する際に遺伝的アルゴリズムや遺伝的プログラミングを使用しません。 実際、JMP はニューロンの数や 1 つまたは 2 つの隠れ層の選択を最適化しません。 JMP は、試したいさまざまな設定をすべて網羅的に検索します。 その後、勝者を選択できます。
これらのより高度なニューラル ネットワーク機能については、SAS を検討することをお勧めします。これらの技術は、Viya だけでなく SAS でも利用できるためです。
最後に、株価を予測しようとする研究が数多く行われていることに留意してください。 研究によると、短期的な株価は、認識できるパターンがないことを意味する「ランダム ウォーク」としてモデル化するのが最適であることがわかっています。 言い換えれば、適切にモデル化できないデータセットを処理できないことをモデリング手法のせいにしないでください。 幸運を！
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムこんにちは、マークさん
初めまして、JMP は初めてです。いくつか質問があります。
1. JMP ニューラル ネットワークを使用して将来の株価をどのように予測できますか?
どうやら、JMP には RNN メモリを備えたリカレント ニューラル ネットワークがありません。
2. JMP は、モデルのトレーニングにおいて、遺伝的アルゴリズムまたは遺伝的プログラミングを使用してネットワークの重みを最適化します。
3. JMP は、遺伝的アルゴリズムまたは遺伝的プログラミングを使用してニューロンの数と隠れ層の数を最適化します。
将来の株価を予測するためにJMP ARIMAを試してみましたが、結果は良くありませんでした。
ごきげんよう、
マルコ
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムこの引用は、ランダム テーブルを出力する予測プロファイラー コマンドに関するヘルプ部分からのものです。
」実行回数を求めるプロンプトが表示され、ランダムな因子設定とそれらの設定に対する予測値を使用して、その数の行を含む出力テーブルが作成されます。 これはに相当(ただし、それよりもはるかに単純です)シミュレーターを開き、すべての因子をランダムな一様分布にリセットします。 、出力をシミュレートします。 このコマンドは出力グリッド テーブルに似ていますが、順序付けされたテーブルではなくランダムなテーブルが生成される点が異なります。
均一なランダム因子テーブルを作成する主な理由は、グラフィカル クエリを使用して多変量方法で因子空間を探索するためです。 このテクニックはと呼ばれますフィルタリングされたモンテカルロ法。
あなたが欲しいと仮定してください望ましい応答設定までの所定の範囲を生み出すすべての因子設定の軌跡を確認するには。 (グラフィカル ブラッシングまたはデータ フィルターを使用して) 不適格なポイントを選択して非表示にすることにより、残っているものの可能性、つまり、必要な結果を生み出す機会スペースが表示されます。
一部の行が選択され、赤い点でマークされているように見える場合があります。 これらは、多変量望ましさのパレート フロンティア上の点、つまりすべての要因の望ましさに関して他の点によって支配されていない点を表します。 」
したがって、それを取得する簡単な方法は、ユニフォーム予測変数のランダム シミュレーションと応答のモデル予測。 これは、[グリッド テーブルを出力] コマンドと同じ目的を持っています。
シミュレーター機能を使用すると、予測子の変動の性質や応答の追加のランダムな変動をより詳細に制御できます。 これは主にプロセス能力を評価するためのものですが、明らかに他の用途もあります。
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムこんにちは、
返信していただき、本当にありがとうございます！
JMP ドキュメントの「予測プロファイラー オプション」セクションを読みました。 そして、「出力ランダム テーブル」はフィルタリングされたモンテカルロ手法であるのに対し、「シミュレーション」はランダム ノイズを使用した単なるモンテカルロ シミュレーションであることがわかりました。
2 つの手法の違いとどちらの手法が優れているのかわかりません。この 2 つの違いについてもっと勉強する必要があります。 アドバイスがございましたら、よろしくお願いいたします。 ただし、モンテカルロ シミュレーションはフィルター処理されたモンテカルロ手法よりも時間がかかることを確認しました。
これをニューラルネットワークのプロファイルで行う必要があります。 したがって、ハイブリッド ANN-モンテカルロ シミュレーションになる可能性があると考えました。
理解を助けるために:
ランダムテーブルの場合、
1. ニューラルオプションを選択しました
2. モデル内の赤い三角形をクリックしました
3. [予測プロファイル] オプションをクリックしました。
4. 予測プロファイルの赤い三角形をクリックしました。
5. [ランダム テーブルを出力] を選択しました。
シミュレーションの場合も同じ手順を実行しましたが、[ランダム テーブルの出力] をクリックする代わりに、オプション [シミュレーター] を選択しました。 赤い三角をクリックして「シミュレーション実験」を選択しました。
インタラクティブセルのノイズを調整し、確率変数を選択しました。
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズム
@AngeloF88書きました：
JMP でこのシミュレーションを行うのは非常に簡単です。 ご存知の方、JMP ではランダム テーブルとプロファイルからのシミュレーションの違いは何ですか? ボルト 2 種類のモンテカルロ シミュレーションは何ですか?
あなたの質問に答える前に、あなたが参照しているテーブル (「ランダム テーブル」と「プロファイルからのシミュレーション」) を明確にしてください。
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムどうもありがとうございます！ 私はその論文を読みました、そしてそれは興味深いです。 また、植物生理学的分野での ANN の使用に関する出版物 (インパクト ファクターの高いジャーナルにも掲載) も読みました。 私はそれらが強力な予測手段であると信じていますが、一日中数学に取り組んでいない研究者にとってブラックボックスの問題を解明するのは困難です。 ただし、JMP は人工ニューラル ネットワークを使用して結果を理解するのに役立ちます。 プロファイルと推定に関するあなたの提案の後、私は人工ニューラル ネットワークについてより明確なビジョンを持ちました。 私は JMP から直接入手できる優れた本を読みました。 ANN やその他の統計解析では、プロファイルからのモンテカルロ シミュレーションも見つかりました。 ビンゴ！！ 場合によっては、これは古気候学や一般に生態学の予測に携わる人々にとって重要なシミュレーションになります。 JMP でこのシミュレーションを行うのは非常に簡単です。 ご存知の方、JMP ではランダム テーブルとプロファイルからのシミュレーションの違いは何ですか? ボルト 2 種類のモンテカルロ シミュレーションは何ですか?
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムあなたの問い合わせについて、JMP Development から詳しい情報があります。 どのソフトウェア製品からもニューラルネットワーク（NN）を検証するのは難しいと言われています。 NN は、どの製品を使用しても係数と予測が同じになる線形回帰とは異なります。すべての製品は大きく異なります。 できる最善のことは、相互検証を使用してデータ マイニング モデルの予測パフォーマンスを評価することです。 使用されているモデルを検証する必要性が強い場合は、最小二乗法とロジスティック回帰を使用してください。
JMP の NN について言える限りのことを記載した JMP ホワイト ペーパーを同梱しました。
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムそのような参考文献を検索してみるとよいでしょう。 手元にありません。
商用ソフトウェア ベンダーは、独自の知的財産であるため、数値計算手法やコードを通常は公開しません。 JMP は、このページをリソースとしてユーザーに提供し、ユーザーがJMPの品質。
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムマークベイリーさん、本当にありがとうございました。
簡単すぎてすぐに見つかりません...:)
JMP ソフトウェアとそのサポートに満足しています。
JMP における ANN の推定値について説明した出版物や会議論文があるかどうかご存知ですか? データを公開するには、JMP に基づいた正しい参考文献を使用して分析と出版をサポートする必要があるからです。
よろしく、
アンジェロ
Re: 人工ニューラルネットワーク (ANN) を検証するためのルール抽出アルゴリズムモデルを実行した後、そのモデルのアウトラインの上部にある赤い三角形をクリックできます。 ネットワークを表示する選択肢があります図を表示することもできます見積り。 各ノードの構造は、選択したアクティベーション関数によって異なります。
他に何か要りますか？
