신경망 및 제어 차트안녕하세요
신경망은 이상값의 영향을 받나요?
신경망을 기반으로 1단계 관리도를 디자인하고 싶지만, 이상값을 제거하고 신경망을 다시 모델링할 때마다 모델의 정확도가 떨어집니다.
어떤 해결책을 제안하시나요?
품질 및 프로세스 엔지니어링Re: 신경망 및 관리도안녕하세요, @maryam_nourmand !
NN은 훈련 데이터 세트의 크기에 더 많이 의존합니다. 특히 크기가 작은 경우 더욱 그렇습니다. 또한 일반적으로 훈련 프로세스의 일부로 난수 생성기가 내장되어 있습니다. 저는 세 가지를 제안하고 싶습니다.
먼저 - 무작위 시드를 설정합니다(이렇게 하면 동일한 데이터 세트에서 NN을 재현할 수 있게 됩니다). 시드는 원하는 숫자가 될 수 있습니다. 대화 상자의 해당 필드에 무엇인가를 입력하면 됩니다.
둘째, 데이터 세트에 대한 검증 전략을 올바르게 설정했는지 확인하세요. 커뮤니티에서는 이 작업을 수행하는 방법에 대해 많은 논의가 있습니다.
세 번째 - 충분히 큰 데이터 세트를 사용하고 있는지 확인하세요. 나는 이것에 관해 많은 제안을 보았지만 내가 좋아하는 것 중 하나는 NN이 훈련 세트와 검증 세트 모두에서 고려하는 모든 요소에 대해 10-20개의 측정값입니다. 따라서 10개의 요인이 있는 경우 측정값은 200~400개가 됩니다.
도움이 되었기를 바랍니다!
최상의,
M
답변: 신경망 및 관리도@MikeD_Anderson 의 훌륭한 조언에 덧붙여, 신경망은 확실히 이상값의 영향을 받을 수 있습니다. Mike가 말했듯이 표본 크기가 더 커야 하기 때문에 너무 심각하지 않을 수도 있습니다. 그러나 신경망은 매우 유연한 모델이기 때문에 잡음이 많은 데이터에서는 제대로 작동하지 않습니다. 그들은 추가 소음에 "과잉 반응"하는 경향이 있습니다. 이것이 바로 이상값의 영향을 받을 수 있는 이유입니다. 그들은 모델 편향을 유발할 수 있는 이상치를 설명하려고 노력할 것입니다. 이는 Mike가 언급한 검증 전략을 가리킵니다.
답변: 신경망 및 관리도안녕하세요,
당신의 응답을 주셔서 감사합니다.
내 데이터는 의료 분야에 관한 것이며 실제 특성과 샘플링의 어려움으로 인해 94개의 샘플만 수집하고 7개의 예측변수를 가질 수 있었습니다. 이전 연구에서는 분류를 위해 로지스틱 회귀분석을 사용했습니다. 저는 연구에서 신경망을 사용하고 싶었습니다. 하지만 1단계 관리도를 설계할 때 알파 설정, 이상값 식별, 데이터 세트에서 데이터 제거, 신경망 재학습으로 인해 문제가 발생했습니다. 신경망 모델을 기반으로 1단계 관리도를 설계하기 위한 솔루션이 있습니까(가급적이면 데이터를 제거하지 않고)?
Re: 신경망 및 관리도귀하의 상황에서는 공식적인 NN을 사용하면 데이터가 정말 손상될 것입니다. SVEM(자체 검증 앙상블 모델)을 살펴볼 수도 있습니다. 이는 DOE(매우 작은 데이터 세트)에 대한 교차 검증을 위해 설계되었으며 때로는 이와 같은 상황에서 도움이 될 수 있습니다. 또한 NN(실제로 멋진 이름을 가진 앙상블 모델)과 유사하게 작동합니다.;) ).
이에 대한 자세한 내용은 여기에서 확인할 수 있습니다:https://community.jmp.com/t5/Elevated-Thinking/SVEM-in-JMP-17/ba-p/538553
또는 여기: https://community.jmp.com/t5/Discovery-Summit-Europe-2021/Re-Thinking-the-Design-and-Analytic-of-Experiments-2021-EU-30MP/ta-p/349240
Re: 신경망 및 관리도1단계 관리도 시작에 신경망 모델링 접근 방식을 사용하기로 선택한 이유가 궁금합니다. NN 모델은 제어 한계를 설정하는 데 어떻게 도움이 됩니까? 특히 지금까지 공유한 내용에 따르면 분류 목적으로 일반적으로 사용되는 명목형 응답의 경우 더욱 그렇습니다. 관리도에는 연구 중인 프로세스에 내재된 명시적인 생산 순서가 있습니다. 아마도 연구 중인 프로세스와 1단계 관리 차트를 구축하는 실제 목표에 대해 더 많은 정보를 공유할 수 있을 것입니다. 이는 거의 정의에 따라 2단계의 안정성을 위해 미래의 시간 공간에서 프로세스를 연구/평가하는 데 관심이 있음을 나타냅니다. 방법.
