변수를 예측하고 과적합을 피하기 위해 신경망 모델링을 사용해야 하며, K-폴드 교차 검증 방법을 활용하고 있습니다. 모델 스크리닝 플랫폼에서 신경망은 세 개의 TanH 함수가 있는 부스팅을 사용하여 피팅됩니다. 플랫폼의 기본 설정과 다른 숫자와 구성을 사용하여 신경망을 사용자 정의할 수 있습니까? 각 폴드에 대한 R-제곱 값을 개별적으로 얻어야 하며, 함수 수를 변경하고 강력한 피팅을 적용하는 등 신경망 설정을 조정하고 싶습니다.
@니막심 -
다음은 NN 모델을 진행하는 방법에 대한 몇 가지 생각입니다.
모델 스크리닝
Model Screening을 실행하면 NN 플랫폼은 기준 매개변수 집합을 실행합니다. 20개의 Boost가 있는 3개의 TanH 노드입니다. 제가 아는 한, Model Screening에서는 이러한 기준 매개변수를 조정할 수 없습니다.
개별 NN 모델 구축
물론 Analyze > Predictive Modeling > Neural을 실행하여 개별 모델을 만들 수 있습니다. 이 인터페이스에서 시스템에 가장 적합한 NN 모델을 찾기 위해 많은 추가 매개변수를 지정할 수 있습니다.
NN 플랫폼에서 NN 모델을 빌드할 때 KFold 열을 적용할 수 있습니다. 이를 위해 먼저 분석 > 예측 모델링 > 검증 열 만들기로 이동하여 KFold 열을 만듭니다. 선택된 방법 메뉴에서 K 폴드 열 만들기를 선택하고 확인을 클릭한 다음 폴드 수를 지정하고 이동을 클릭합니다. 데이터 테이블에 "n 폴드 열"이라는 제목의 새 열이 나타납니다. NN 플랫폼을 시작하고 이 열을 검증 열로 추가합니다.:
모든 폴드 내에서 R2를 비교하세요
모든 폴드와 R2를 비교하는 것은 약간 까다롭지만 방법이 있습니다. 먼저 NN 플랫폼에서 NN 모델을 빌드합니다. 그런 다음 빨간색 삼각형 메뉴를 사용하여 각 모델에 대한 공식(Profile Formula가 좋습니다)을 저장합니다. 저장하려는 모델이 여러 개 있는 경우 키보드에서 Ctrl을 누르고 Save Profile Formulas를 선택하여 보고서의 모든 모델에 대해 동시에 이 작업을 수행합니다. 이 예에서 두 개의 모델을 빌드하고 해당 공식을 표에 저장했습니다(이 모델 보고서에서 어떤 Fold가 Validation에 사용되었는지 알 수 없다는 것을 알 수 있습니다).
다음으로 분석 > 예측 모델링 > 모델 비교로 이동하여 NN 예측 수식을 로드하고 KFold 열을 그룹 역할로 사용합니다.
모델 비교 보고서에서는 각 모델의 각 폴드에 대한 적합도 측정을 보여주는 표를 얻을 수 있습니다.
실행 간에 모델이 다르다는 것을 알 수 있습니다. 상당히 다르다면 모델 대화 상자에서 난수 시드를 지정할 수 있습니다. 동일한 난수 시드와 동일한 검증 열을 사용하는 경우 모델을 실행할 때마다 적합도 측정이 일관되어야 합니다.
여러 NN 구축 및 비교
JMP에서 여러 NN 모델을 빌드하고 비교하는 것은 간단합니다. 모델 대화 상자에서 매개변수를 쉽게 지정하고 변경할 수 있습니다. 다양한 함수, 노드 및 기타 피팅 매개변수를 사용하여 여러 다른 NN 모델을 빌드하고 비교하고 싶다면 제가 만든 NN Tuning 추가 기능을 사용해 보세요. 여기에서 찾을 수 있습니다:Neural Network Tuning 추가 기능
