神經網路和控製圖你好
神經網路是否受到異常值的影響？
我想設計一個基於神經網路的第一階段控製圖，但是每次去除異常值並重新建模神經網路後，模型的準確性都會下降。
您建議什麼解決方案？
品質和工藝工程回覆：神經網路與控製圖嗨， @maryam_nourmand ！
神經網路更依賴訓練資料集的大小——尤其是當它很小時。作為訓練過程的一部分，它們通常也內建有一個隨機數產生器。我建議三件事：
首先 - 設定隨機種子（這將使您的神經網路可在同一資料集上重現）。種子可以是您選擇的任何數字 - 只需在對話方塊的該欄位中輸入一些內容。
其次 - 確保您為資料集正確設定了驗證策略。社群上有很多關於如何做到這一點的討論。
第三 - 確保您使用足夠大的資料集。我已經看到了很多與此相關的建議，但我喜歡的一個建議是對神經網路在訓練和驗證集中考慮的每個因素進行 10-20 次測量。因此，如果您有 10 個因素，則測量值將在 200 到 400 之間。
希望有幫助！
最好的，
M
回覆：神經網路與控製圖為了補充@MikeD_Anderson的出色建議，神經網路肯定會受到異常值的影響。正如麥克所說，這可能不會太嚴重，因為你應該有更大的樣本量。然而，由於神經網路是極其靈活的模型，因此它們不能很好地處理非常嘈雜的數據。他們往往會對額外的噪音「反應過度」。這就是為什麼他們會受到異常值的影響。他們會嘗試解釋異常值，這可能會導致模型偏差。這指向麥克提到的驗證策略。
回覆：神經網路與控製圖你好，
感謝您的答覆。
我的資料屬於醫療保健領域，由於真實性和採樣難度，我只能收集 94 個樣本和 7 個預測變數。在先前的研究中，邏輯迴歸用於分類。在我的研究中，我想使用神經網路。然而，在設計第一階段控製圖時，由於設定alpha、識別異常值、從資料集中刪除資料以及重新訓練神經網絡，我遇到了問題。您是否有基於神經網路模型設計第一階段控製圖的解決方案（最好不要刪除資料）？
回覆：神經網路與控製圖在你的情況下，你真的會因為正式的神經網路而受到數據傷害。您可能會看一下 SVEM（自我驗證整合模型）。它們旨在對 DOE（非常小的數據集）進行交叉驗證，有時可以在此類情況下提供幫助。它們的行為也有點像 NN（實際上只是有一個奇特名稱的整合模型）;) ）。
您可以在此處了解有關它們的更多資訊：https://community.jmp.com/t5/Elevated-Thinking/SVEM-in-JMP-17/ba-p/538553
或這裡： https://community.jmp.com/t5/Discovery-Summit-Europe-2021/Re-Thinking-the-Design-and-Analysis-of-Experiments-2021-EU-30MP/ta-p/ 349240
回覆：神經網路與控製圖我很好奇為什麼您選擇使用神經網路建模方法來啟動第一階段控製圖？神經網路模型如何幫助您建立控制限制......特別是對於您迄今為止分享的回應，通常用於分類目的的名義回應？控製圖具有所研究過程固有的明確生產順序。也許您可以分享有關正在研究的過程以及建立第一階段控製圖的實際目標的更多資訊......這幾乎根據定義表明您有興趣在未來的某個時間空間中研究/評估該過程以確保第二階段的穩定性模式。
