Ich bin gerade dabei, die abschließenden Übungen von 7.3 Neuronale Netze abzuschließen Prädiktive Modellierung und Text Mining Modul in der JMP STIPS-Kurs .Das Anpassen eines neuronalen Netzwerks und das Verstehen der Grundfunktion eines Knotens in der verborgenen Schicht als Regressionsmodell erscheint intuitiv einfach. Dennoch frage ich mich, ob und hoffe, dass jemand mit mehr Einblick in die Community Antworten auf die Fragen geben kann, die ich nach der sehr grundlegenden Schulung, die ich gerade absolviert habe, immer noch habe. Für das Beispiel, das ich besprechen möchte, habe ich file verwendet GreenPolymerProduction.jmp und die Standardversion von JMP. Eine Kopie der Datei inklusive Modell ist beigefügt.
Das Diagramm des Modells ist unten dargestellt. Wir können sehen, dass Daten für jeden der acht Prädiktoren in jeden der drei Knoten in der verborgenen Schicht eingespeist werden. Jeder Knoten in der Schicht verwendet eine TanH-Aktivierungsfunktion.
Ich habe die Formeln für das Modell in der Tabelle gespeichert. Die Screenshots der Formeln, die in jedem der drei Knoten verwendet werden, sind unten dargestellt.
Frage Nr. 1: Wie kann ich die Tatsache interpretieren, dass jeder Knoten eine andere Formel für dieselbe Aktivierungsfunktion hat? Intuitiv erscheint es naiv zu erwarten, dass in jedem Knoten dieselbe Formel verwendet werden sollte, aber ich frage mich immer noch, wie JMP zu den unten gezeigten Ergebnissen kommt. Eine Interpretation, die mir in den Sinn kam, war, dass jeder Knoten unterschiedliche Eingabedaten empfängt, was dazu führen würde, dass ich unterschiedliche Formeln erwarte, wie unten gezeigt, aber diese Annahme könnte völlig falsch sein.
Frage Nr. 2: Wer kann gute Referenzen (vorzugsweise unter Verwendung phänomenologischer Erklärungen) zum Nachlesen über neuronale Netze für Anfänger weitergeben?
