Tous
droite.
Bonjour
tout le monde.
Mon nom est Scott Allen.
Je suis a Systèmes Ingénieur à JMP.
Je suis en allant à être présentation a neural réseau réglage ajouter- dans
que J'ai développé vraiment à aide développer neural réseau modèles
dans un automatisé chemin à construire beaucoup modèles,
trouver dehors lequel paramètres sont la plupart efficace dans bâtiment le meilleur modèle.
Quoi Identifiant comme à faire Je vais passer en revue un peu le contexte
sur motivation pour bâtiment ce ajouter- dans.
Je suis en allant à faire peut être a procédure pas à pas, le description,
qu'est-ce que en allant sur dans le arrière-plan quand toi courir le ajouter- dans
et alors montrer a utiliser cas pour il. A échantillon flux de travail.
Ensuite, enveloppez-vous vraiment en haut avec quelques leçons savant.
Ce était mon d'abord grand scripts projet, donc certainement savant a parcelle le long de le chemin.
Je voudrais à partager que et alors comme Bien comme qu'est-ce que suivant.
D'abord, juste I vouloir à prenez 3, 4 minutes ici
juste sur le arrière-plan et motivation.
Beaucoup de autre machine plateformes d'apprentissage dans JMP avoir quelques sorte de
paramètre réglage fonction,
si c'est a réglage tableau que toi créer dehors le plate-forme,
comme dans bootstrap forêt ou boosté arbres, ou un intégré réglage conception
comme dans soutien vecteur machines et le nouveau XGBoost plate-forme.
Mais il y a pas un pour neural réseaux.
Que dirigé à quelques clients avec qui je travaille en posant des questions à ce sujet.
"Est ce quelque chose c'est disponible?
Sont là scripts dehors là que nous peut utiliser?
Est là un ajouter- dans?"
Là sont a peu des choses dehors là, mais peut être pas tout dans un lieu.
Alors sur a personnel niveau, J'ai jamais entrepris a grand scripts projet.
J'ai fait quelques petit JSL scripts à automatiser flux de travail,
ou à faire le ménage en haut données, mais I avait jamais construit un application.
C'était, je vraiment recherché a projet à Aide-moi à apprendre.
I utilisé ce comme un excuse à apprendre JSL.
Le neural réseau plate-forme dans JMP est vraiment puissant,
et donc Je vais juste lancement il vraiment rapide.
Je suis bien sûr si tu as vu il...
I volonté mention I suis en utilisant JMP PRO version 17.1 .
C'est où tous le essai a arrivé pour ce ajouter- dans.
I avoir pas disparu en arrière beaucoup versions.
I serait suggérer si toi sont en allant à utilise ceci
toi besoin à avoir JMP PRO et à moins version 17.1.
Le JMP neural plateforme réseau est vraiment puissant
et I juste vouloir à prendre a peu minutes à aller à travers quoi ce apparence comme.
I pense tout le monde a...
Si tu as utilisé neural réseaux, tu as disparu à travers ce flux de travail
et c'est a vraiment bon flexible plate-forme pour développement ces modèles.
Toi peut commencer désactivé avec un modèle de référence et peut être tu es pas satisfait
avec le performance de ton modèle dans ce cas.
Toi peut juste aller dos à le lancement du modèle et toi peut ajuster le paramètres ici.
Toi peut aller et générer un autre modèle.
C'est facile à commencer changement ces paramètres
et trouver modèles que pourrait être le la plupart approprié pour ton système.
Mais là sont a parcelle de options dans ici.
Vous avez a obtenu différent nombre de nœuds, tu as a obtenu un ou deux couches,
il y a stimuler options comme Bien comme a parcelle de différent convenable options.
Toi ne le faites pas toujours savoir...
C'est pas toujours clair lequel de ces paramètres que vous devez modifier
dans commande à obtenir le meilleur modèle pour le données tableau que tu es fonctionnement dans
et le prédicteurs que tu es en utilisant.
C'est pas toujours clair si réglage a paramètre
est en allant à plomb à a mieux modèle.
Toi juste ajuster en haut d'un nd vers le bas, peut être prendre grand mesures
à chiffre dehors qu'est-ce que en allant sur.
C'est vrai exiger a parcelle de manuel ajustements par le utilisateur
dans commande à générer ces modèles.
Ils sont joli rapide, donc c'est pas temps- consommant à créer ces
mais il d Oui exiger a parcelle de clics.
Mon but ici et quelques de mon inspiration était vraiment à fournir a célibataire plate-forme
pour réglage et évaluer ceux neural réseau modèles.
I était aussi inspiré là étaient quelques réglage scripts dehors là.
Entaille Shelton avait a scénario que serait aide toi construire cette table
et courir il et évaluer ceux modèles.
Marque Bailey avait développé un ajouter- dans pour ce comme Bien,
et là étaient s certains communauté articles que étaient en essayant à f figure dehors comment à fais ça.
Ceux étaient tous quelques départ points pour ce ajouter- dans.
Alors I vraiment comme le XGBoost ajouter- dans interface.
C'est vraiment faire le ménage, c'est a obtenu quelques graphique sorties
et c'est vraiment facile à naviguer et permet toi auto régler ceux réseaux.
Le ajouter- dans que Je suis développement n'est pas auto réglage,
c'est vraiment plus de a brute forcer méthode.
Juste construire beaucoup de modèles et alors avoir a graphique interface là
à aidez-moi ou trouver le meilleur un pour ton système.
Allons-y aller sur et se déplacer sur t o juste quoi le ajouter- dans fait et comment à utiliser il.
À lancement le ajouter- dans, juste comme la plupart ajouter- dans,
toi aller à le ajouter- dans menu, et c'est appelé Neural Réseau Réglage.
Que prend toi à le lancement dialogue.
Ce donne toi a rôle de colonne interface c'est très similaire
à beaucoup autre plateformes.
Nous peut juste sélectionner tous les f notre facteurs ici et notre réponse.
Actuellement, il permet a célibataire Y réponse,
et il peut être soit continu ou catégorique.
Le ajouter- dans actuellement seulement a le deux validation méthodes,
donc toi peut spécifier a validation colonne avec les deux validation et les tests.
Paramètres si toi avoir que, si toi ne le faites pas, c'est juste en allant à faire a aléatoire retenue,
le défaut pour t il neural réseau.
Alors toi peut spécifier et basculer ou basculer le informatif manquant comme Bien.
Mais Bien juste aller avec ce pour maintenant.
Nous cliquez D'ACCORD, et que prend toi à le réglage lancement.
Ce réglage dialogue, d'abord, donne toi a petit peu de information
à propos qu'est-ce que dans le données tableau et quoi toi spécifié comme colonne rôles.
Droite maintenant nous avons a obtenu le données tableau ici, le modèle validation méthode,
comme Bien comme si ou pas nous avoir informatif manquant sur ou désactivé.
Alors nous avons a obtenu le BICHE option.
Quoi ce ajouter- dans volonté faire, est regarder à tous le paramètre gammes que tu as ensemble
et créer a rapide, flexible, espace- remplissage conception.
Vraiment le seulement conception spécification toi besoin
est à ensemble le nombre de essais dans ce conception.
Dans ce cas nous avons a obtenu par défaut c'est en allant à être ensemble à 20,
et il y a quelques règles de pouce.
Peut être toi vouloir à spécifier à moins 10 traitements dans ce conception
pour chaque facteur que tu es regarder à, mais c'est complètement en haut à le utilisateur,
et donc Bien viens dos et ajuster que si nous besoin à.
Toi peut aussi reproduire ce conception avec a différent aléatoire graine.
Dans quelques cas si toi vouloir à voir comment robuste toi pourrait être
à certain paramètres, toi peut courir le même neural réseau modèle 20 fois,
mais tous avec différent aléatoire graines à voir comment robuste le modèle est à que.
Alors toi peut basculer si ou pas toi vouloir à voir le BICHE dialogue que spectacles en haut.
Une fois tu as disparu à travers le ministère de l'Énergie options ici,
toi peut viens vers le bas à le neural réseau réglage.
I essayé à rester joli vrai à le original plate-forme
dans le neural réseau par en utilisant similaire langue et options ici.
Ce est où toi aller, un nd plutôt de spécifiant a célibataire valeur
pour un de ces paramètres, étaient en allant à spécifier a gamme.
Aussi, Je suis limitant a petit peu le disponible options
pour le taper de neural réseau que tu es en allant à créer.
Dans ce cas toi peut générer a célibataire caché couche,
toi peut générer deux caché couches, ou un caché couche avec stimuler.
Actuellement, le neural réseau plate-forme n'a pas permettre
a deuxième couche avec stimuler.
Si toi essayer à faire que dans le neural réseau plate-forme,
il volonté donner toi a avertissement adage que c'est en allant à ignorer que deuxième couche.
Dans ce ajouter- dans, I juste faire il donc que toi zéro dehors tous ceux deuxième couches
quand toi activer stimuler.
Dans ce cas étaient en allant à cela explorer ce données tableau a peu
et peut-être étaient en allant à ensemble quelques large gamme de réglage paramètres.
Je suis en allant à aller depuis 0-9 sur chaque de ceux fonction d'activation nombre de nœuds.
Sur sur le convenable options, toi ne le faites pas avoir à nécessairement
savoir quoi pourrait être meilleur pour ton système, toi peut juste sélectionner eux
à être partie f le BICHE, ou dans le cas
de ceux-ci transformer covariables et robuste ajuster options.
Toi peut basculer eux à toujours être désactivé, toujours être sur, ou inclure dans le DOE.
Bien inclure les deux de ceux dans le BICHE pour ce exemple.
Peine méthodes.
Toi peut test n'importe lequel ou tous le différent méthodes.
Si toi ne le faites pas spécifier n'importe lequel peine méthode, il volonté courir
le défaut peine méthode quadrillé.
Mais étaient en allant à vérifier tous de ceux.
Toi peut aussi spécifier le nombre de visites par modèle.
Dans rétrospection, I probablement n'a pas besoin à ajouter ce
mais parce que toi pourrait faire quelque chose similaire par juste réplication tous de le dessins
et vision le résultats depuis chaque de ceux modèles.
Mais c'est ici dans cas toi vouloir à ajuster le nombre de visites.
Toi peut aussi spécifier a aléatoire graine.
Dans ce cas, J'ai obtenu, 3,4,5,6. Six différents facteurs dans ce conception,
et ainsi Je suis juste en allant à peut être tourner t son en haut à 60.
Je suis en allant à créer 60 modèles.
Avant I cliquez Courir, Je suis g aller à parler a petit peu à propos
qu'est-ce que en allant sur quand toi cliquez Courir.
Le d'abord chose que ça arrive quand y ou cliquez Courir,
est c'est en allant à créer a facteur tableau avec seulement le choisi paramètres.
Nous le sélectionnons.
Dans ce cas ça va créer a facteur tableau avec célibataire- couche nœuds,
tous de le différent convenable options.
C'est pas en allant à mettre le deuxième l hier ou n'importe lequel de le stimuler paramètres
dans le facteur tableau.
Alors je suis en allant à créer a tableau de réponse où le entraînement, validation,
et essai R- quadrillé les valeurs sont spécifiées
a nd alors c'est en allant à combiner ceux dans a célibataire tableau.
Ce est quoi le exemple de DOE tableau volonté regarder comme.
C'est juste en allant à avoir le réponses comme le R- quadrillé valeurs
et alors tous le différent paramètres.
Alors ces juste obtenir passé dans le neural réseau plateformes rangée- par- rangée,
et le résultats montrer en haut dans le données tableau.
Juste comme étaient adage, chaque de ceux courses dans le conception est en allant à aller dans le
neural réseau modèle plate-forme séquentiellement et alors nous avoir a petit dialogue boîte
c'est en allant à indiquer le dans l'ensemble processus.
Dans le cas de vraiment long- en cours d'exécution neural réseaux,
c'est bien à juste voir comment rapidement le entier conception est en allant à aller.
I serait recommander avant spécifiant a grand nombre de essais dans ce conception
que toi courir un ou deux devant de temps juste à voir
comment long ils sont en allant à prendre.
Si toi avoir assez petit données ensemble, alors ils aller joli rapidement, mais si toi avoir
a complexe données ensemble, ils peut prendre parfois assez a alors que à courir.
Dans ce cas Je suis juste en utilisant a échantillon données ensemble depuis le échantillon données ensemble bibliothèque.
Ce comprimé production.
C'est pas le meilleur données ensemble à courir pour neural réseaux juste parce que
là ne sont pas a entier parcelle de observations, mais Je suis en utilisant il juste b parce que
le neural réseaux courir vraiment rapide.
Dans ce cas, si étaient satisfait avec tous de le caractéristiques
que nous avoir dans notre modèle, nous peut juste aller devant et cliquez Courir.
Quoi ce a fait est c'est créé que conception tableau
et maintenant c'est passage à travers chaque de ceux essais
dans t il neural réseau plate-forme et donner un sortir.
Si nous regarder à le maison fenêtre, tous ce a fait est c'est pris
que réglage résultat tableau et J'ai caché il
et I juste apporte-moi t dehors dans le même fenêtre ici.
Allons-y juste aller sur à le suivant un.
Nous peut travail à travers que données tableau ici, donc c'est interactif.
Quoi toi d'abord voir en haut ici est graphique constructeur rapport.
T son spectacles toi tous de ton différent paramètres,
donc le différent activation fonctions comme Bien comme le nombre de nœuds
est le échelle, et comment le validation R- quadrillé changements
avec respect à chaque de ceux individuel paramètres.
Dans le cas de catégorique paramètres, toi g et a boîte parcelle montrant le différence
dans le valeurs ce chemin.
Nous peut voir dans ce cas peut être pour robuste ajuster,
c'est a obtenu a plus large gamme, mais sur moyenne c'est g aller à être mieux.
Le médian valeur est mieux.
Est plus haut R- quadrillé.
Nous peut aussi regarder vers le bas ici à le tableau de données,
c'est en allant à trier le données tableau par le validation R- quadrillé
et il juste nuances ceux a Plus profond violet selon sur le valeur.
Allons-y voir.
Nous pouvons utiliser...
Un raison I juste gardé ce données tableau comme il est,
est nous peut explorer il juste comme nous explorer n'importe lequel données tableau dans JMP,
donc toi peut regarder à colonne en-têtes ou toi peut lancement graphique constructeur
ou faire divers analyses sur ce données tableau comme il est droite ici.
Là zone peu supplémentaire données colonnes ou colonnes que sont ajouté
à ce données tableau.
Un, il enregistrements le aléatoire graine.
Si toi vouloir à reproduire ce, toi savoir quoi aléatoire graine a été utilisé
dans générateur le n eural réseau modèles, spectacles toi le informatif manquant,
spectacles toi le écoulé temps pour chaque de le modèles.
Si toi sont bâtiment grand modèles ou toi pourrait vouloir à minimiser le r intemporel,
alors toi peut obtenir un estimer le f comment long il pourrait prendre pour toi à courir
supplémentaire modèles.
nDOE juste enregistrements quoi BICHE était courir.
Ce était le d'abord, donc il obtient a 1.
Comme tu vas voir nous peut courir a deuxième et troisième, et toi peut alors utiliser ceux
comme quelques outils graphiques.
Aussi raconte toi le taper de neural réseau que était courir.
Si il était célibataire- en couches, double- couche,
ou a célibataire- couche avec stimuler.
Il y a a couple de autre
colonnes que sont ajouté.
Ce facteur colonne juste permet toi suivre de le facteurs
que étaient utilisé dans le conception dans cas toi vouloir à comparer modèles
que avoir différent facteurs que étaient utilisé plutôt de juste paramètres,
et puis aussi a rangée colonne.
Le suivant mesures donc nous peut continuer bâtiment dehors.
Peut être dans ce cas étaient explorer le paramètres.
Maintenant nous avons a obtenu a ligne de base de a célibataire neural réseau
et peut être nous vouloir à voir comment ce compare à a deux- couche neural réseau.
Nous peut aller dos à le réglage lancement lequel était juste minimisé.
Toi peut voir que tous de ce rapport, le graphique constructeur rapport
comme Bien comme le tableau sont juste un annexé à le réglage lancement.
Nous peut aller dos en haut à t son réglage lancement et peut être I vouloir à regarder à
deux caché couches.
Bien aller à deux, et maintenant Je vais mettre dans a gamme de
ceux résultats ou ceux paramètres et garder tout autre le même.
Toi peut voir c'est en allant à précharge le aléatoire graine que I généré
dans le d'abord BICHE juste à faire bien sûr tout est en utilisant le même aléatoire graine.
Bien garder il à 60, même cependant nous pourrait vouloir à augmenter il
par a petit peu depuis nous sommes un ajout quelques plus facteurs,
mais garder il simple, Bien vas-y avec 60.
Un autre chose juste à mention est, dans le cas c'est probablement joli
faible probabilité t a tous de ces serait être ensemble à zéro dans a conception,
mais si ils sont ça va juste aller à le défaut avec JMP,
lequel est a célibataire 10H couche.
Toi ne le faites pas avoir à inquiétude à propos ayant a neural réseau avec zéro couches
ou zéro nœuds.
Si étaient satisfait avec ce, étaient juste en allant à cliquez Courir.
Alors que ce est en cours d'exécution, Je suis juste en allant à apporter en haut le maison fenêtre.
Toi peut voir quoi c'est faire.
Nous avons a obtenu notre original réglage résultat tableau ici,
et c'est construit a deuxième t son/sa résultat tableau,
et quand c'est c'est fait, je t juste ajoute que à notre original tableau.
Maintenant I peut voir dans orange, est tous de ceux deuxième- couche modèles.
Nous peut voir dans ce cas, peut être ayant deux couches
était pas très avantageux dans ce cas.
Apparence comme dans joli beaucoup tous cas, ceux neural réseaux sont pas comme bien.
Alors peut être juste à rond ceci, étaient en allant à aller
et construire des neurones réseaux avec stimuler.
Stimuler est a vraiment bon chemin à augmenter le prédiction pouvoir de notre modèle.
Étaient en allant à spécifier quelques stimuler niveaux depuis 1-10, comme Bien comme
le apprentissage taux depuis 0,1 à 1.
Une fois encore notre aléatoire graine est le même, et ces sont en allant à prendre
a petit peu plus long, donc Je suis juste en allant à diminuer le nombre de courses
juste dans le intérêt de temps.
Nous peut cliquez Courir ici, nous obtenir notre dialogue boîte que raconte nous
notre dans l'ensemble progrès, et nous peut voir ces dans le cas
où nous avons probablement a obtenu beaucoup de stimuler, ils pourrait être prise a petit peu de temps.
Dans ce cas stimuler neural réseaux, ou neural réseaux que avait stimuler
sont maintenant ce violet, et nous peut voir dans joli beaucoup tous le cas
violet est plus haut, en particulier quand il apparence comme
nous peut voir par ces boîte parcelles comme Bien.
Alors nous peut aussi voir en t son cas sur ici notre stimuler.
Peut être nous n'ont pas trouvé le maximum nombre de booste,
il apparence comme il continue en allant en haut,
donc nous pourrait vouloir à ajouter quelques supplémentaire stimuler couches ou peut être
notre apprentissage taux est meilleur à ce milieu à haut valeur
plutôt de à le le plus bas apprentissage taux valeurs.
Le suivant chose nous pourrait w sur à faire une fois nous avoir ce initial voir
de notre système, est à courir a peu de ces neural réseaux et comparer eux.
Nous peut faire que a peu manières.
Nous peut regarder dans notre tableau ici un nd courir ou et sélectionner quelques neural réseaux
basé sur le graphique, et toi peut voir ils sont mise en évidence vers le bas ci-dessous
dans notre données tableau comme Bien.
Peut être quoi nous vouloir à faire est courir le haut quatre ou cinq.
I vouloir à courir le haut cinq.
Je ne avoir à aller dos dans le neural réseau plate-forme à faire ce,
I peut juste courir il par en cliquant ce bouton, courir choisi modèles.
Maintenant c'est en allant à courir ceux dos dans le neural réseau plate-forme
et donner nous a petit sortir que spectacles nous le rangée dans notre données tableau que était courir.
Ce est juste le standard neural réseau sortir maintenant.
Nous passer à travers le même aléatoire graine, donc si nous prendre a regarder aux valeurs R-carré,
étaient en allant à obtenir le même neural réseau que était développé
parce que étaient en utilisant que, passage à travers que même graine.
Alors nous peut viens à travers et nous peut prendre a regarder à plus...
Soit le plus résumé statistique valeurs ou le réel contre prédit,
ou obtenir le profileurs.
Peu importe nous pourrait vouloir à faire à comparer ces neural réseaux.
Un autre chose nous pourrait vouloir à faire à ce scène
est créer quelques supplémentaire visualisations.
Nous peut aller à travers et nous peut montrer ce réglage tableau.
Si nous ne le faites pas vouloir à travail sur moi t ici, nous peut juste non caché il,
et maintenant nous avons a obtenu a données tableau que nous peut utiliser,
et nous peut aller dans graphique constructeur et peut être nous vouloir à
prendre a regarder à validation contre entraînement R- quadrillé
juste à voir comment c'est regarder, ou nous peut aller à travers.
Parce que nous avons a obtenu le nombre de BICHE, nous pouvons piste comment notre neural réseaux
avoir amélioré avec notre réglage.
I peut aller dans graphique constructeur et I peut utiliser que nDOE,
et peut être nous vouloir à regarder à formation et validation R-carré,
nous peut tourner sur boîte parcelles et nous peut voir comment notre réglage a progressé sur temps
avec chaque ultérieur conception que nous couru.
Autre option est si toi vouloir à faire quelques plus analytique taper analyse ici,
nous peut aller dans dépistage et nous peut courir prédicteur dépistage.
Nous peut prendre tous de ceux paramètres, charger eux dans comme prédicteurs,
et regarder notre entraînement et validation R- quadrillé.
Cliquez D'ACCORD, et maintenant nous peut voir lequel facteurs pourrait être la plupart influent
dans le entraînement ou validation.
Pas étonnamment, ceux apprentissage tarifs et stimuler un concernant bien à ce validation.
Il y a Non fin à quoi analyse toi pourrait vouloir à faire,
sur ici c'est juste quoi ton but de le neural réseau était
et où toi vouloir à aller avec il.
Mais toi peut faire que tous en t son données tableau lequel maintenant a 160 neural réseau modèles.
Peut être ces neural réseau modèles prendre a petit peu de temps,
donc un autre chose toi peut faire est nous peut juste sauvegarder ce.
I vouloir à aller déposer, et moi peut sauvegarder ce.
Je suis juste g aller à sauvegarder il à mon bureau comme T son/sa Résultats.
I peut viens dos à ce plus tard.
Maintenant que J'ai a obtenu il sauvé, Je suis en allant à fermer ce.
Un chose que tu vas obtenir a avertissement, quand toi fermer il.
Toi devrait juste cacher ce données tableau.
Si toi fermer il, c'est en allant à prendre il dehors de le neural réseau plate-forme
et toi ne le fera pas être capable à continuer ton travail,
mais toi peut cacher il.
Quand toi obtenir dos à le ajouter- dans, quand toi fermer ce fenêtre,
c'est juste en allant à rappeler toi .
Tu peux fermer il sans économie ou toi peut Annuler à aller dos et sauvegarder il.
Étaient juste en allant à cliquez D'ACCORD.
Quand I sauvegarder ce réglage tableau pour plus tard, donc quoi I peut faire est,
est maintenant I peut relancer que ajouter- dans et I peut aller dans le réglage ajouter- dans,
cliquez D'ACCORD.
Mais plutôt de réinitialisation n'importe lequel paramètres et en cliquant Courir, I peut aller à Charger.
Quoi I peut faire est I peut charger a précédemment enregistré réglage tableau,
et quoi ce fait est laisser moi dans le cas de neural réseaux
que prendre a long temps, toi ne le faites pas avoir à commencer sur depuis gratter.
Toi peut juste garder bâtiment sur le tableau que toi recherché, ou peut être toi faire
quelques supplémentaire analyses hors ligne et vouloir à viens dos dans
et construire quelques plus modèles, donc toi peut aller à travers et quand toi spécifier
tous le différent paramètres et nombre de réglage courses toi vouloir à avoir,
c'est juste en allant à continuer ajout il à ce tableau.
Avec que allons minimiser ce.
C'est rapide courir à travers d'un ll le différent options
dans ce réglage tableau.
C'est vraiment a brute forcer chemin.
Toi peut voir il y a Non auto régler. Droite maintenant c'est juste en cours d'exécution
tous ceux différent paramètre combinaisons donner toi un idée
d'où ton optimal modèle pourrait être .
Comment toi pourrait travail ce dans ton flux de travail donc toi peut explorer ceux paramètres,
ce est essentiellement quoi nous a fait aujourd'hui.
Nous regardé à célibataire- couche modèles, nous regardé à modèles avec deux couches.
Célibataire- couche avec stimuler.
Un autre chose toi pourrait faire est aller dos et dire,
"DANS il, où sont mon optimal modèles ?"
Ils sont ici.
I peut aller dos à le réglage lancement et peut être I vouloir à recréer ceux modèles
et aller plus vers ce gamme.
Il apparence comme Je suis dedans le milieu gamme ici, est optimal,
donc plutôt de en allant depuis 0-9, peut être I aller depuis 5-7 .
Linéaire modèles aussi pourrait être meilleur dans le milieu,
et peut être le gaussien, il y a quelques bien ceux sur le gauche,
donc Bien aller depuis 1-8 ou quelque chose comme que, Sept ou huit.
Alors nous peut regarder à lequel... Dans ce cas, là n'était pas un avantage
à ayant il sur ou désactivé, donc nous pourrait juste avoir ceux désactivé,
ou désactivé ou sur.
Mais il apparence comme peut être dans ce cas le poids pourriture était le meilleur méthode,
donc nous pourrait juste inclure que un et alors aller à travers
et construire quelques plus modèles avec a étroit gamme de ceux paramètres.
Nous peut aussi vérifier paramètre sensibilité à a aléatoire graine.
Dans ce cas nous peut passer à travers soit constante valeurs
o r a étroit gamme.
Toi peut passer à travers a constante ensemble de paramètres
juste par paramètre chaque paramètre égal à chaque autre,
et ça va passer que à travers le neural réseau comme cinq chaque temps,
ou toi peut juste spécifier le min valeur, et que volonté passer il à travers
comme a constante valeur.
Si nous recherché à nous pourrait regarder à
peut-être que ça était a neural réseau que était un que nous identifié comme optimal,
mais I vouloir à voir comment robuste il est à le aléatoire graine.
Quoi nous peut faire est nous peut juste dire juste courir il une fois,
mais allons reproduire il avec 20 aléatoire graines.
Que pourrait en fait prendre a petit peu de temps,
donc allons aller vers le bas à 10.
Alors nous peut...
En fait, I ne le faites pas vouloir à faire que sur ce un,
parce que J'ai a obtenu tous ceux autres, mais Bien juste courir ce.
Toi pourrait vouloir à faire ce sur a faire le ménage données tableau
où tu es pas ajout il à le conception, mais nous peut utiliser b parce que nous avoir
le nombre de Fait nous pourrait trouver où que aléatoire graine était.
Nous peut voir ici, tous le différent aléatoire graines
et I peut aller dans graphique constructeur et I pourrait juste mettre dans
le entraînement et validation R- carrés, et alors I peut utiliser locale données filtre maintenant
sur mon aléatoire graine à montrer tout sauf le un où nous avait tous ceux.
Maintenant I peut voir comment robuste mon modèle est à que aléatoire graine.
C'est le même conception maintenant courir 10 fois,
et donc sur moyenne nous peut voir quoi le médian valeur est
ou le gamme de attendu résultats.
Alors enfin, w e peut charger ceux enregistré données tables.
Ceux sont vraiment avantageux pour neural réseaux qui pourraient avoir
vraiment long informatique fois, donc toi peut sauvegarder il désactivé
et viens dos à il plus tard.
Ceux sont quelques flux de travail que pourrait être e utile à toi comme toi construire
ton neural réseau modèles.
I juste vouloir à envelopper en haut avec a peu leçons savant.
Ce était le d'abord scripts projet que I est allé à travers
que développé un application,
et donc I pense ce est joli évident à personne c'est développé n'importe quel JSL
ou construit n'importe lequel applications, le JMP communauté est vraiment
un inestimable ressource.
I serait dire 95% de tous mon questions, I serait juste aller à le communauté
et quelqu'un autre avait a similaire problème.
Vraiment recommander si toi sont intéressé dans bâtiment ajouter- dans,
bâtiment applications, le communauté est vraiment le d'abord lieu à aller.
Vraiment, ton imagination et ton cibles sont le limitant facteur
dans développement ces candidatures.
A similaire avec c'est parce que il y a donc beaucoup possibilités,
là était a besoin à garder ce concentré.
Dans ce cas, I juste avoir... I pense dans un itération
I avait beaucoup différent sorties, différent graphiques,
mais ils n'étaient pas vraiment le cœur de le application.
Parce que il y a donc beaucoup possibilités, Je vraiment essayé à garder ce concentré
sur juste donner quelques graphique sortir à naviguer le différent modèles
et courir eux et identifier lequel pourrait être la plupart approprié.
Qu'est-ce que suivant?
I vraiment vouloir retour.
C'est égoïste, mais c'est quoi I vraiment vouloir.
I serait amour à entendre comment personnes peut utiliser ce, comment c'est bénéficiant eux.
Toi peut trouver ce dans le communauté, dans le ajouter- dans section de le communauté.
S'il te plaît sentir gratuit à faire a poste ici, dire moi comment tu es en utilisant il.
I faire avoir a peu connu problèmes, et comme I rassembler plus,
Je suis bien sûr c'est pas 100% bogue- preuve, mais ce volonté être le lieu à aller
à obtenir le actuel version de le complément comme Bien comme comprendre n'importe lequel connu problèmes.
Mais Identifiant amour à entendre comment tu es en utilisant il,
et le communauté est a super lieu à faire que.
I serait aussi comme à entendre idées sur supplémentaire rapports.
I gardé ce joli simple, mais si toi trouver que il y a a rapport
que tu es générateur chaque temps toi courir ce,
Identifiant comme à savoir quoi que est un nd peut être nous peut construire que dans le ajouter- dans.
Je suis aussi en allant à continuer débogage.
Là sont a peu connu problèmes que Je suis fonctionnement à travers droite maintenant,
et alors peut être a plus grand but est à essayer à faire que auto régler.
Plutôt de faire ce brute forcer méthode, peut être commencer dehors avec
un petit numéro o f paramètres, chiffre dehors lequel ceux
zone affectant le réponse le la plupart, et alors ayant a dirigé réglage.
Avec que, Identifiant comme à merci pour écoute à ce présentation.
Ce est a vraiment amusant projet et I espoir toi trouver il utile,
et serait amour à entendre à propos il.
Merci.
