Je suis actuellement en train de terminer les pratiques finales de 7.3 Réseaux de neurones dans le Modélisation prédictive et exploration de texte module dans le Cours JMP STIPS .Ajuster un réseau de neurones et comprendre la fonction de base d'un nœud dans la couche cachée en tant que modèle de régression semble intuitivement facile. Pourtant, je me demande si et j'espère que quelqu'un ayant une plus grande connaissance de la communauté pourra apporter des réponses aux questions que je me pose encore après la formation très basique que je viens de suivre. Pour l'exemple dont je veux discuter, j'ai utilisé le fichier GreenPolymerProduction.jmp et la version standard de JMP. Une copie du dossier comprenant le modèle est jointe.
Le schéma du modèle est présenté ci-dessous. Nous pouvons voir que les données de chacun des huit prédicteurs sont introduites dans chacun des trois nœuds de la couche cachée. Chaque nœud de la couche utilise une fonction d'activation TanH.
J'ai enregistré les formules du modèle dans la table. Les captures d'écran des formules utilisées dans chacun des trois nœuds sont présentées ci-dessous.
Question n°1 : Comment puis-je interpréter le fait que chaque nœud a une formule différente pour la même fonction d'activation ? Intuitivement, il semble naïf de s'attendre à ce que la même formule soit utilisée dans chaque nœud, mais je me demande toujours comment JMP arrive aux résultats présentés ci-dessous. Une interprétation à laquelle j'ai pensé était que chaque nœud reçoit des données d'entrée différentes, ce qui m'amènerait à m'attendre à des formules différentes comme indiqué ci-dessous, mais cette hypothèse peut être totalement fausse.
Question n°2 : Quelqu'un peut-il partager de bonnes références (en utilisant de préférence des explications phénoménologiques) pour lire sur les réseaux de neurones pour les débutants ?
