用於驗證人工神經網絡 (ANN) 的規則提取算法你好，
我最近也開始將 JMP Pro 用於人工神經網絡。
我想知道如何使用 JMP 驗證神經網絡架構？
例如，使用數學表達式、符號邏輯、模糊邏輯或決策樹......
我讀到這個系統可以解決“黑匣子”問題。
太感謝了，
安吉洛
回复：用於驗證人工神經網絡（ANN）的規則提取算法你好丹，
我嘗試了你的 200 列解決方案，我認為我做錯了什麼，我附上了帶有公式的表格，以了解我做錯了什麼，謝謝！
乾杯，
馬可
回复：用於驗證人工神經網絡（ANN）的規則提取算法你好丹，
很好的解釋！謝謝，我將嘗試你的解決方案，與股票價格相關（附表1基礎和表2目標），我有4列，共74,547行，其中包含開盤價、最高價、最低價和收盤價... ...如何使用 JMP 中的公式進行轉換......400 個或更多新列，這些列具有最大可能行數，其中包含由公式創建的標籤和數據......例如：
開盤100、最高100、最低100、收盤100、開盤99、最高99、最低99、收盤99、開盤98、最高98、最低98、收盤98 ....
問候，
馬可
回复：用於驗證人工神經網絡（ANN）的規則提取算法我不能談論Python。 但是，您可以從 JMP 中運行 Python 腳本並返回結果。 但是，由於預測公式是用Python創建的，我不相信JMP會將其轉換為C代碼。JMP只能將自己的本機公式轉換為各種格式。
對於 200 列股票價格，最簡單的方法是使用腳本。 然而，交互方法是執行以下操作：
1) 讓要轉換的 200 列彼此相鄰。
2) 使用列 > 新列創建 200 個新列。
3）選擇200個新列，這些列都是空的。
4) 選擇列 > 標準化屬性。
5) 在標準化屬性部分中，單擊列屬性 > 公式。
6) 選中“替換列引用”框，然後單擊“編輯公式”。
7) 為 200 個股票價格列中的第一個建立公式。 公式（根據您指定的內容）如下所示：
8）單擊“確定”關閉公式編輯器。
9) 再次單擊“確定”關閉“標準化列屬性”對話框。
該公式應應用於所有 200 列，並應用適當的列引用。
回复：用於驗證人工神經網絡（ANN）的規則提取算法你好丹，
很好的答案！，一些問題：
1. 我覺得Python有循環神經網絡，可以在JMP平台上訓練它們並生成C代碼嗎？
2. 我有一個包含 200 列股票價格的表格，
JMP 如何在 200 個新列中用數字 1 表示最低價格，用數字 -1 表示最高價格（峰值），用 0 表示其餘價格？
問候，
馬可
回复：用於驗證人工神經網絡（ANN）的規則提取算法第1點的問題在於神經網絡的算法沒有時間軸的概念。 這就是為什麼循環神經網絡經常用於時間序列數據，因為循環神經網絡確實包含排序組件。 由於 JMP 不提供此功能，因此您需要在數據中創建時間或序列元素。 我無法在這個論壇上提供完整的指導，因為這是一個很大的主題。 您需要了解的一件事是您的預測範圍。 這意味著，您將使用什麼時間單位，以及您試圖預測未來多久。 我的第一個建議是一個非常簡單的方法，提前一天預測。 該方法不會利用任何先前的目標值，僅利用輸入值。 但是，您也可以使用前一天的目標作為輸入。 然後，您可以嘗試不同的時間滯後，具體取決於您想要使用多少過去的數據以及您的預測範圍有多長。 可能還有其他一些更具創造性的技術可以向神經網絡添加時間元素。 一些研究可能會為您提供一些其他選擇。 請記住，需要採取不同的方法，具體取決於您計劃更新預測的頻率、需要預測的頻率等。
至於第2點，我不知道你所說的“衝動找到最佳數量”是什麼意思。 尋找最佳學習率、隱藏層數、隱藏節點數等的想法稱為自動調整。 JMP 不提供自動調諧。 如果您查看 JMP 社區，您應該能夠找到一個可以幫助自動調整的 JMP 腳本（我似乎記得有人寫過一個）。 該腳本確實是一種強力方法，這意味著它將嘗試您指定的所有各種設置。 因此，這可能需要相當長的時間。 然後根據結果，您選擇最佳組合。
回复：用於驗證人工神經網絡（ANN）的規則提取算法你好丹，
我很高興向您問好，JMP 在我看來是一款出色的軟件，每天我都驚訝地發現它提供的解決方案選項......一些問題：
1.第1點的答案很有趣（回溯目標變量......有多種方法可以做到這一點），您可以通過示例進行詳細說明。
2. 我注意到脈衝找到了最佳數量，神經網絡平台中是否有一個選項可以優化 1 個模型的參數或超參數？ ...即學習率、最佳神經元數量、最佳層數...等
問候，
馬可
回复：用於驗證人工神經網絡（ANN）的規則提取算法謝謝你， @丹_奧伯米勒，回答Marco的問題。 我還想添加克里斯·戈特瓦爾特 (Chris Gotwalt) 撰寫的白皮書，他管理 JMP 統計開發人員小組。
回复：用於驗證人工神經網絡（ANN）的規則提取算法這可能應該是一個新線程，因為它與原始問題沒有直接關係。 我也不是馬克，但我想我可以回答你的問題。
1. 為了預測未來事件，您需要向神經網絡引入時間元素。 有多種方法可以做到這一點。 一種方法是將目標變量滯後一個時間段。 因此，如果您的時間間隔是天，您可以使用昨天的輸入來預測今天的目標。 您是對的，JMP 不提供循環神經網絡。
2. JMP 不使用遺傳算法或遺傳編程來優化權重。
3. 不，JMP 不使用遺傳算法或遺傳編程來優化神經元數量或隱藏層數量。 事實上，JMP 並沒有優化神經元的數量或一兩個隱藏層的選擇。 JMP 為您想要嘗試的所有各種設置提供詳盡的搜索。 然後您可以選擇獲勝者。
對於這些更高級的神經網絡功能，您可能需要考慮 SAS，因為這些技術在 SAS 和 Viya 中都可用。
最後，請記住，已經有很多研究試圖預測股票價格。 研究表明，短期股價最好建模為“隨機遊走”，這意味著沒有明顯的模式。 換句話說，不要責怪建模技術無法處理無法很好建模的數據集。 祝你好運！
回复：用於驗證人工神經網絡（ANN）的規則提取算法你好馬克，
我很高興向您問好，我是 JMP 的新手，我有一些問題：
1. 如何使用 JMP 神經網絡預測未來股票價格？
顯然，JMP 沒有帶有 RNN 內存的循環神經網絡。
2. JMP在模型訓練中是用遺傳算法還是遺傳編程來優化網絡權重？
3. JMP用遺傳算法或遺傳編程優化神經元數量和隱藏層數量？
我嘗試過 JMP ARIMA 來預測未來的股價，但結果不佳。
問候，
馬可
回复：用於驗證人工神經網絡（ANN）的規則提取算法此引用來自有關輸出隨機表的預測分析器命令的幫助部分：
”提示輸入多次運行並創建一個包含那麼多行的輸出表，其中包含隨機因子設置和這些設置的預測值。 這是相當於（但比）簡單得多打開模擬器，將所有因素重置為隨機均勻分佈，然後模擬輸出。 此命令類似於輸出網格表，不同之處在於它會生成隨機表而不是有序表。
製作統一隨機因子表的主要原因是使用圖形查詢以多元方式探索因子空間。 這種技術稱為過濾蒙特卡羅。
假設你想要查看產生給定範圍所需響應設置的所有因子設置的軌跡。 通過選擇並隱藏不合格的點（使用圖形刷或數據過濾器），您可以看到剩下的可能性：產生您想要的結果的機會空間。
某些行可能會顯示為已選中並標有紅點。 這些代表多元意願帕累托前沿上的點 - 就所有因素的意願而言，這些點不受其他點支配。 ”
所以這是一個簡單的方法來獲得制服預測變量的隨機模擬和響應的模型預測。 它與輸出網格表命令具有相同的用途。
模擬器功能使您可以更好地控制預測變量變化的性質和響應的附加隨機變化。 它主要用於評估過程能力，但顯然還有其他應用。
回复：用於驗證人工神經網絡（ANN）的規則提取算法你好，
非常感謝您回复我！
我閱讀了 JMP 文檔的預測刻畫器選項部分。 我發現“輸出隨機表”是經過過濾的蒙特卡洛技術，而“模擬”只是使用隨機噪聲的蒙特卡洛模擬。
我不知道這兩種技術之間的區別以及什麼方法更好，我必須更好地研究這兩種區別。 如果您有任何建議，我們將不勝感激。 但是，我檢查過蒙特卡羅模擬比過濾蒙特卡羅技術花費更多時間。
我必須在神經網絡的配置文件中執行此操作。 因此我認為這可能是混合 ANN-Montecarlo 模擬。
幫助理解：
對於隨機表，
1.我選擇了神經選項
2.我點擊了模型中的紅色三角形
3.我單擊了“預測配置文件”選項
4. 我單擊了預測配置文件中的紅色三角形。
5. 我選擇輸出隨機表。
對於模擬，我執行了相同的過程，但我沒有單擊“輸出隨機表”，而是選擇了“模擬器”選項。 我點擊紅色三角形並選擇“模擬實驗”。
我調整了交互式單元格中的噪聲並選擇了隨機變量。
回复：用於驗證人工神經網絡（ANN）的規則提取算法
@AngeloF88寫道：
在 JMP 中進行此模擬非常容易。 如果您知道，JMP 中隨機表和輪廓模擬之間的區別是什麼？螺栓是蒙特卡羅模擬的兩種類型嗎？
在我回答您的問題之前，請澄清您所指的表格（“隨機表”和“配置文件模擬”）。
回复：用於驗證人工神經網絡（ANN）的規則提取算法太感謝了！ 我讀了這篇論文，很有趣。 我還閱讀了一些關於 ANN 在植物生理領域中的應用的出版物（也在高影響因子的期刊上）。 我相信它們是一種強大的預測工具，但黑匣子的問題對於那些不整天研究數學的研究人員來說很難解釋清楚。 然而，JMP 有助於使用人工神經網絡並理解結果。 在您對概要和估計提出建議後，我對人工神經網絡有了更清晰的願景。 我閱讀了 JMP 直接提供的優秀書籍。 我還在 ANN 和其他統計分析中發現了來自剖面的蒙特卡洛模擬。 答對了！！ 有時，這對於古氣候學和一般從事生態學預測的人們來說是一個重要的模擬。 在 JMP 中進行此模擬非常容易。 如果您知道，JMP 中隨機表和輪廓模擬之間的區別是什麼？螺栓是蒙特卡羅模擬的兩種類型嗎？
回复：用於驗證人工神經網絡（ANN）的規則提取算法我從 JMP Development 那裡得到了關於您的詢問的更多信息。 他們表示，很難從任何軟件產品中驗證神經網絡（NN）。 神經網絡不像線性回歸，無論您使用什麼產品，係數和預測都是相同的。每個產品都會有很大不同。 您能做的最好的事情就是使用交叉驗證來評估數據挖掘模型的預測性能。 如果強烈需要驗證所使用的模型，則繼續使用最小二乘法和邏輯回歸。
我提供了一份 JMP 白皮書，其中盡可能多地介紹了 JMP 中的神經網絡。
回复：用於驗證人工神經網絡（ANN）的規則提取算法您可能會搜索此類參考資料。 我手頭沒有。
商業軟件供應商通常不會發布他們的數值方法或代碼，因為它是專有知識產權。 JMP 將此頁面作為資源提供給用戶，以幫助他們建立JMP 的質量。
回复：用於驗證人工神經網絡（ANN）的規則提取算法非常感謝馬克貝利，
太容易了，無法快速找到...:)
對 JMP 軟件及其支持感到滿意。
您知道是否有一些出版物或會議論文描述了 JMP 中的 ANN 估計？ 因為為了發布數據，我必須使用基於 JMP 的正確參考文獻來支持我的分析和發布。
問候，
安吉洛
回复：用於驗證人工神經網絡（ANN）的規則提取算法運行模型後，您可以單擊該模型輪廓頂部的紅色三角形。 您可以選擇查看網絡圖表你還可以顯示估計。 每個節點的結構取決於您對激活函數的選擇。
你還需要什麼？
