réseau neuronal et carte de contrôleBonjour
Un réseau neuronal est-il affecté par des valeurs aberrantes ?
Je souhaite concevoir une carte de contrôle de phase I basée sur un réseau de neurones, mais après chaque suppression des valeurs aberrantes et remodelage du réseau de neurones, la précision du modèle diminue.
Quelle solution proposez-vous ?
Ingénierie Qualité et ProcédésRe : réseau neuronal et carte de contrôleSalut @maryam_nourmand !
Les NN dépendent davantage de la taille de l'ensemble de données d'entraînement, en particulier lorsqu'il est petit. Ils intègrent également généralement un générateur de nombres aléatoires dans le cadre du processus de formation. Je suggérerais trois choses :
Tout d'abord, définissez la graine aléatoire (cela rendra votre NN reproductible sur le même ensemble de données). La graine peut être n'importe quel nombre de votre choix - il suffit de mettre quelque chose dans ce champ dans la boîte de dialogue.
Deuxièmement, assurez-vous de configurer correctement votre stratégie de validation pour votre ensemble de données. Il y a beaucoup de discussions sur la façon de procéder dans la communauté.
Troisièmement : assurez-vous que vous utilisez un ensemble de données suffisamment volumineux. J'ai vu beaucoup de suggestions à ce sujet, mais celle que j'aime est celle de 10 à 20 mesures pour chaque facteur que le NN prend en compte dans les ensembles de formation et de validation. Donc, si vous avez 10 facteurs, cela représenterait entre 200 et 400 mesures.
J'espère que cela pourra aider!
Meilleur,
M
Re : réseau neuronal et carte de contrôlePour compléter les excellents conseils de @MikeD_Anderson , un réseau de neurones peut certainement être affecté par une valeur aberrante. Ce n’est peut-être pas trop grave car vous devriez avoir un échantillon plus grand, comme l’a déclaré Mike. Cependant, les réseaux de neurones étant des modèles extrêmement flexibles, ils ne fonctionnent pas très bien avec des données très bruitées. Ils auront tendance à « réagir de manière excessive » au bruit supplémentaire. Et c’est pourquoi ils peuvent être affectés par une valeur aberrante. Ils tenteront d’expliquer les valeurs aberrantes, qui peuvent entraîner un biais du modèle. Cela renvoie à la stratégie de validation mentionnée par Mike.
Re : réseau neuronal et carte de contrôleBonjour,
Merci pour votre réponse.
Mes données concernent le domaine de la santé, et en raison de la nature réelle et de la difficulté de l'échantillonnage, je n'ai pu collecter que 94 échantillons et disposer de 7 prédicteurs. Dans des recherches antérieures, la régression logistique a été utilisée pour la classification. Dans mes recherches, je souhaitais utiliser un réseau de neurones. Cependant, pour la conception d'une carte de contrôle de phase I, en raison de la définition de l'alpha, de l'identification des valeurs aberrantes, de la suppression des données de l'ensemble de données et du recyclage du réseau neuronal, j'ai rencontré un problème. Avez-vous des solutions pour concevoir une carte de contrôle de phase I basée sur le modèle de réseau neuronal (de préférence sans supprimer de données) ?
Re : réseau neuronal et carte de contrôleDans votre situation, vous allez vraiment avoir du mal à obtenir des données avec un NN formel. Vous pourriez jeter un œil aux SVEM (modèles d'ensemble auto-validés). Ils sont conçus pour effectuer une validation croisée sur les DOE (très petits ensembles de données) et peuvent parfois être utiles dans des situations comme celle-ci. Ils se comportent également un peu comme des NN (qui ne sont en fait que des modèles d'ensemble avec un nom fantaisiste).;) ).
Vous pouvez en savoir plus à leur sujet ici :https://community.jmp.com/t5/Elevated-Thinking/SVEM-in-JMP-17/ba-p/538553
ou ici : https://community.jmp.com/t5/Discovery-Summit-Europe-2021/Re-Thinking-the-Design-and-Analysis-of-Experiments-2021-EU-30MP/ta-p/349240
Re : réseau neuronal et carte de contrôleJe suis curieux de savoir pourquoi vous choisissez d'utiliser une approche de modélisation de réseau neuronal pour lancer une carte de contrôle de phase 1 ? Comment un modèle NN vous aide-t-il à établir des limites de contrôle... en particulier pour une réponse qui, d'après ce que vous avez partagé jusqu'à présent, est une réponse nominale généralement utilisée à des fins de classification ? Une carte de contrôle possède un ordre de production explicite inhérent au processus étudié. Peut-être pourriez-vous partager plus d'informations sur le processus à l'étude et l'objectif pratique d'établir une carte de contrôle de phase 1... ce qui, presque par définition, indique que vous êtes intéressé à étudier/évaluer le processus dans un espace temporel futur pour assurer sa stabilité dans une phase II. mode.
