Criblage de modèle : réseau neuronal / validation croisée K-foldJe dois utiliser le filtrage de modèle pour ajuster un modèle par réseau neuronal. la configuration par défaut pour NN est 3TanH. mais lorsque je change de configuration au lancement du modèle (Par exemple : 1TanH 1 Linéaire 1 Gaussien), il m'affiche une alerte : " Remarque : La table de données a changé. La sortie ne représente plus les données. POUR synchroniser la sortie avec les données, sélectionnez « synchroniser avec les modifications de la table de données » dans le menu de la plateforme. »
Comment puis-je modifier la configuration du réseau neuronal et relancer le modèle ?
Modélisation statistique avancéeModélisation prédictive et apprentissage automatiqueRe : Criblage de modèle : réseau neuronal / validation croisée K-foldSavez-vous ce que vous avez fait pour modifier les données entre le moment où vous avez exécuté le premier modèle et le moment où vous avez essayé de le réexécuter ?
Si j'exécute un modèle de réseau neuronal, puis masque et exclus certaines lignes, puis ouvre le lancement du modèle et réexécute le modèle, j'obtiens la même invite que celle que vous voyez. Dans le menu du triangle rouge situé tout en haut de la barre de contour, il existe une option pour synchroniser les données.
Après avoir cliqué sur l'option de synchronisation, je peux exécuter d'autres modèles.
Re : Criblage de modèle : réseau neuronal / validation croisée K-foldSalut @Nimaxim ,
Comme l'a répondu @Byron_JMP , il peut y avoir eu des changements sur la table entre le lancement des deux plateformes qui pourraient expliquer le message que vous voyez.
Quelques notes annexes remarquent :
- Avez-vous essayé d'autres options de modélisation ? Les réseaux de neurones sont des modèles complexes, capables d'approcher n'importe quelle fonction (vous pouvez lire sur le " Théorème d'approximation universelle " si vous souhaitez en savoir plus), mais ils peuvent rapidement surajuster, exiger des ressources de calcul relativement importantes et ne pas être en mesure de bien généraliser. (sans précaution). En raison de leur très grande flexibilité, vous pouvez très souvent considérer Neural Network comme l'un des modèles les plus performants de cette plate-forme de sélection de modèles, mais je vous encourage à examiner d'autres options avec des performances similaires/plus proches.
- Avez-vous une stratégie de validation et de tests ? Comme mentionné précédemment, le surajustement avec Neural Network est très facile à obtenir, une stratégie de validation appropriée est donc essentielle pour éviter le surajustement, et un ensemble de tests est utile pour valider que les prédictions de Neural Network pourraient facilement être appliquées à des données nouvelles/invisibles, avec propriétés et distributions similaires à celles des ensembles de formation et de validation.
- Comme vous l’avez vu, selon la plateforme utilisée, différents paramétrages et architectures de réseaux de neurones sont proposés. Tous les modèles utilisés dans la plateforme Model Screening utilisent des options par défaut et des paramètres de réglage dans l'ajustement du modèle, donc pour le réseau neuronal, il s'agit d'un réseau à 1 couche avec 3 fonctions tanH : Lancez la plateforme Model Screening (jmp.com)
Vous souhaiterez peut-être affiner l'architecture du réseau neuronal pour mieux l'adapter à votre cas d'utilisation, et pour vous aider, vous pouvez utiliser le complément de réglage du réseau neuronal créé par @scott_allen .
J'espère que cette réponse complémentaire vous aidera,
