Todo
bien.
Hola
todos.
Mi nombre es Scott Allen.
Soy a Sistemas Ingeniero en JMP.
Soy yendo a ser presentación a neural red sintonización agregar- en
eso Yo tengo desarrollado Realmente a ayuda desarrollar neural red modelos
en un automatizado forma a construir muchos modelos,
encontrar afuera cual parámetros son mayoría eficaz en edificio el mejor modelo.
Qué Identificación como a hacer Es repasar un poco los antecedentes.
en motivación para edificio este agregar- en.
Soy yendo a hacer tal vez a Tutorial, el descripción,
qué yendo en en el fondo cuando tú correr el agregar- en
y entonces espectáculo a usar caso para él. A muestra flujo de trabajo.
Luego simplemente envuélvalo bien arriba con alguno lecciones aprendió.
Este era mi primero grande secuencias de comandos proyecto, entonces ciertamente aprendió a lote a lo largo de el forma.
Me gustaría a compartir eso y entonces como Bueno como qué próximo.
Primero, justo I desear a Tómate 3, 4 minutos aquí
justo en el fondo y motivación.
Mucho de otro máquina plataformas de aprendizaje en JMP tener alguno algo así
parámetro sintonización función,
si es a sintonización mesa eso tú crear afuera el plataforma,
como en oreja bosque o impulsado árboles, o un integrado sintonización diseño
como en apoyo vector máquinas y el nuevo XGBoost plataforma.
Pero Hay no uno para neural redes.
Eso condujo a alguno clientes con quien trabajo preguntando sobre ello.
"Es este algo eso es ¿disponible?
Son allá guiones afuera allá eso nosotros poder ¿usar?
Es allá un agregar- ¿en?"
Allá son a pocos cosas afuera allá, pero tal vez no todo en uno lugar.
Entonces en a personal nivel, Yo tengo nunca emprendido a grande secuencias de comandos proyecto.
Yo tengo hecho alguno pequeño JSL guiones para automatizar flujos de trabajo,
o a limpio arriba datos, pero I tenía nunca construido un solicitud.
Esto fue, yo en realidad buscado a proyecto a Ayúdame a aprender.
I usado este como un disculpar a aprender JSL.
El neural red plataforma En JMP es realmente poderoso,
y entonces Enfermo justo lanzamiento él en realidad rápido.
Soy seguro si tú tienes visto él...
I voluntad mencionar I soy usando JMP PRO versión 17.1 .
Eso es dónde todo el pruebas tiene sucedió para este agregar- en.
I tener no desaparecido hacia atrás muchos versiones.
I quería sugerir si tú son yendo a usa esto
tú necesidad a tener JMP PRO y en el menos versión 17.1.
El JMP neural plataforma de red es en realidad poderoso
y I justo desear a llevar a pocos minutos para ir a través de qué este aspecto como.
I pensar todos tiene...
Si tú tienes usado neural redes, tú tienes desaparecido a través de este flujo de trabajo
y es a en realidad lindo flexible plataforma para desarrollo estos modelos.
Tú poder comenzar apagado con un modelo de referencia y tal vez estás no satisfecho
con el actuación de su modelo en este caso.
Tú poder justo ir atrás a el lanzamiento del modelo y tú poder ajustar el parámetros aquí.
Tú poder ir y generar otro modelo.
Es Fácil de comenzar cambio estos parámetros
y descubrimiento modelos eso podría ser el mayoría adecuado para su sistema.
Pero allá son a lote de opciones en aquí.
Tú tienes consiguió diferente número de nodos, tú tienes consiguió uno o dos capas,
Hay Impulsando opciones como Bueno como a lote de diferente adecuado opciones.
Tú no siempre saber...
Es no siempre claro cual de estos parámetros que necesitas cambiar
en orden a conseguir el mejor modelo para el datos mesa eso estás laboral en
y el predictores eso estás usando.
Es no siempre claro si ajustando a parámetro
es yendo a dirigir a a mejor modelo.
Tú justo ajustar arriba un Dakota del Norte abajo, tal vez llevar grande pasos
a cifra afuera qué yendo en.
Lo hace requerir a lote de manual ajustes por el usuario
en orden a generar estos modelos.
Ellos son bonito rápido, entonces es no tiempo- consumidor a crear estos
pero Es d Sí requerir a lote de clics.
Mi meta aquí y alguno de mi inspiración era en realidad a proporcionar a soltero plataforma
para sintonización y evaluando aquellos neural red modelos.
I era también inspirado allá eran alguno sintonización guiones afuera allá.
Mella Shelton tenía a guion eso quería ayuda tú construye esa mesa
y correr él y evaluar aquellos modelos.
Marca Muralla exterior tenía desarrollado un agregar- en para este como Bueno,
y allá eran s algunos comunidad publicaciones eso eran intentando para f figura afuera cómo a Haz esto.
Aquellos eran todo alguno a partir de agujas para este agregar- en.
Entonces I en realidad como el XGBoost agregar- en interfaz.
Es en realidad limpio, es consiguió alguno gráfico salidas
y es en realidad fácil a navegar por y permite tú auto melodía aquellos redes.
El agregar- en eso Soy desarrollo no es auto sintonización,
es en realidad más de a bruto fuerza método.
Justo construir lotes de modelos y entonces tener a gráfico interfaz allá
a ayuda y o encontrar el mejor uno para su sistema.
Vamos ir en y mover en t o justo qué el agregar- en hace y cómo a usar él.
A lanzamiento el agregar- en, justo como mayoría agregar- adentro,
tú ir a el agregar- en menú, y es llamado Neural Red Sintonización.
Eso acepta tú a el lanzamiento diálogo.
Este da tú a rol de columna interfaz eso es muy similar
a muchos otro plataformas.
Nosotros poder justo seleccionar todos o f nuestro factores aquí y nuestro respuesta.
Actualmente, él permite a soltero Y respuesta,
y él poder ser cualquiera continuo o categórico.
El agregar- en actualmente solo tiene el dos validación métodos,
entonces tú poder especificar a validación columna con ambos validación y pruebas.
Ajustes si tú tener eso, si tú no, es justo yendo a hacer a aleatorio retención,
el por defecto para t él neural red.
Entonces tú poder especificar y palanca o palanca el informativo desaparecido como Bueno.
Pero Bueno justo ir con este para ahora.
Nosotros hacer clic DE ACUERDO, y eso acepta tú a el sintonización lanzamiento.
Este sintonización diálogo, primero, da tú a pequeño poco de información
acerca de qué en el datos mesa y qué tú especificado como columna roles.
Bien ahora nosotros tenemos consiguió el datos mesa aquí, el modelo validación método,
como Bueno como si o no nosotros tener informativo desaparecido en o apagado.
Entonces nosotros tenemos consiguió el GAMA opción.
Qué este agregar- en voluntad hacer, es mirar en todo el parámetro rangos eso tú tienes colocar
y crear a rápido, flexible, espacio- relleno diseño.
En realidad el solo diseño especificación tú necesidad
es a colocar el número de ensayos en este diseño.
En este caso nosotros tenemos consiguió por defecto es yendo a ser colocar a 20,
y hay alguno normas de pulgar.
Tal vez tú desear a especificar en el menos 10 tratos en este diseño
para cada factor eso estás mirando en, pero es completamente arriba a el usuario,
y entonces Bueno venir atrás y ajustar eso si nosotros necesidad a.
Tú poder también reproducir exactamente este diseño con a diferente aleatorio semilla.
En alguno casos si tú desear a ver cómo robusto tú podría ser
a cierto parámetros, tú poder correr el mismo neural red modelo 20 veces,
pero todo con diferente aleatorio semillas a ver cómo robusto el modelo es a eso.
Entonces tú poder palanca si o no tú desear a ver el GAMA diálogo eso espectáculos arriba.
Una vez tú tienes desaparecido a través de el Departamento de Energía opciones aquí,
tú poder venir abajo a el neural red sintonización.
I intentó a permanecer bonito verdadero a el original plataforma
en el neural red por usando similar idioma y opciones aquí.
Este es dónde tú Vete, una Dakota del Norte en cambio de especificando a soltero valor
para uno de estos parámetros, eran yendo a especificar a rango.
También, Soy limitante a pequeño poco el disponible opciones
para el tipo de neural red eso estás yendo a crear.
En este caso tú poder generar a soltero oculto capa,
tú poder generar dos oculto capas, o uno oculto capa con Impulsando.
Actualmente, el neural red plataforma no permitir
a segundo capa con Impulsando.
Si tú intentar a hacer eso en el neural red plataforma,
él voluntad dar tú a advertencia dicho eso es yendo a ignorar eso segundo capa.
En este agregar- en, I justo hacer él entonces eso tú cero afuera todo aquellos segundo capas
cuando tú activar Impulsando.
En este caso eran yendo A esto explorar este datos mesa a poco
y tal vez eran yendo a colocar alguno ancho rango de sintonización parámetros.
Soy yendo a ir de 0-9 en cada de aquellos función de activación número de nodos.
Encima en el adecuado opciones, tú no tener a necesariamente
saber qué podría ser mejor para su sistema, tú poder justo seleccionar a ellos
a ser parte f el GAMA, o en el caso
de estos transformar covariables y robusto adaptar opciones.
Tú poder palanca a ellos a siempre ser apagado, siempre ser en, o incluir en el DOE.
Bien incluir ambos de aquellos en el GAMA para este ejemplo.
Pena métodos.
Tú poder prueba cualquier o todo el diferente métodos.
Si tú no especificar cualquier pena método, él voluntad correr
el por defecto pena método al cuadrado.
Pero eran yendo a controlar todo de aquellos.
Tú poder también especificar el número de excursiones por modelo.
En retrospección, I probablemente no necesidad a agregar este
pero porque tú podría hacer algo similar por justo replicando todo de el diseños
y vidente el resultados de cada de aquellos modelos.
Pero es aquí en caso tú desear a ajustar el número de Excursiones.
Tú poder también especificar a aleatorio semilla.
En este caso, Yo tengo conseguí, 3,4,5,6. Seis diferentes factores en este diseño,
y entonces Soy justo yendo a tal vez girar t su arriba a 60.
Soy yendo a crear 60 modelos.
Antes I hacer clic Correr, Estoy bien oing a hablar a pequeño poco acerca de
qué yendo en cuando tú hacer clic Correr.
El primero cosa eso sucede cuando y o hacer clic Correr,
es es yendo a crear a factor mesa con solo el seleccionado parámetros.
Lo seleccionamos.
En este caso lo hará crear a factor mesa con soltero- capa nodos,
todo de el diferente adecuado opciones.
Es no yendo a poner el segundo l ayer o cualquier de el Impulsando parámetros
en el factor mesa.
Entonces yo soy yendo a crear a tabla de respuestas dónde el capacitación, validación,
y pruebas R- al cuadrado Se especifican los valores
a Dakota del Norte entonces es yendo a combinar aquellos en a soltero mesa.
Este es qué el muestra DOE mesa voluntad mirar como.
Es justo yendo a tener el respuestas como el R- al cuadrado valores
y entonces todo el diferente parámetros.
Entonces estos justo conseguir aprobado en el neural red plataformas fila- por- fila,
y el resultados espectáculo arriba en el datos mesa.
Justo como eran dicho, cada de aquellos corre en el diseño es yendo a ir en el
neural red modelo plataforma secuencialmente y entonces nosotros tener a pequeño diálogo caja
eso es yendo a indicar el en general proceso.
En el caso de en realidad largo- correr neural redes,
es bien a justo ver cómo rápidamente el entero diseño es yendo a ir.
I quería recomendar antes especificando a grande número de ensayos en este diseño
eso tú correr uno o dos adelante de tiempo justo a ver
cómo largo ellos son yendo a llevar.
Si tú tener equitativamente pequeño datos colocar, entonces ellos ir bonito rápidamente, pero si tú tener
a complejo datos colocar, ellos poder llevar a veces bastante a mientras a correr.
En este caso Soy justo usando a muestra datos colocar de el muestra datos colocar biblioteca.
Este tableta producción.
Es no el mejor datos colocar a correr para neural redes justo porque
allá no son a entero lote de observaciones, pero Soy usando él solo b porque
el neural redes correr en realidad rápido.
En este caso, si eran satisfecho con todo de el presupuesto
eso nosotros tener en nuestro modelo, nosotros poder justo ir adelante y hacer clic Correr.
Qué este tiene hecho es es creado eso diseño mesa
y ahora es paso a través de cada de aquellos ensayos
en t él neural red plataforma y donación un producción.
Si nosotros mirar en el hogar ventana, todo este tiene hecho es es tomado
eso sintonización resultado mesa y Yo tengo oculto él
y I justo traerme t afuera en el mismo ventana aquí.
Vamos justo ir en a el próximo uno.
Nosotros poder trabajar a través de eso datos mesa aquí, entonces es interactivo.
Qué tú primero ver arriba aquí es gráfico constructor informe.
T su espectáculos tú todo de su diferente parámetros,
entonces el diferente activación funciones como Bueno como el número de nodos
es el escala, y cómo el validación R- al cuadrado cambios
con respeto a cada de aquellos individual parámetros.
En el caso de categórico parámetros, tú g Y a caja trama demostración el diferencia
en el valores este forma.
Nosotros poder ver en este caso tal vez para robusto adaptar,
es consiguió a más amplio rango, pero en promedio es g oing a ser mejor.
El mediana valor es mejor.
Es más alto R- al cuadrado.
Nosotros poder también mirar abajo aquí en el tabla de datos,
es yendo a clasificar el datos mesa por el validación R- al cuadrado
y él justo sombras aquellos a Más adentro púrpura dependiente en el valor.
Vamos ver.
Podemos utilizar...
Uno razón I justo conservó este datos mesa como él es,
es nosotros poder explorar él justo como nosotros explorar cualquier datos mesa en JMP,
entonces tú poder mirar en columna encabezados o tú poder lanzamiento gráfico constructor
o hacer varios análisis en este datos mesa como él es bien aquí.
Allá área pocos adicional datos columnas o columnas eso son agregado
a este datos mesa.
Uno, él archivos el aleatorio semilla.
Si tú desear a reproducir este, tú saber qué aleatorio semilla fue utilizado
en generando el n europeo red modelos, espectáculos tú el informativo desaparecido,
espectáculos tú el transcurrido tiempo para cada de el modelos.
Si tú son edificio grande modelos o tú podría desear a minimizar la r fuera de tiempo,
entonces tú poder conseguir un estimar el f cómo largo él podría llevar para tú a correr
adicional modelos.
Departamento de Energía justo archivos qué GAMA era correr.
Este era el primero, entonces él obtiene a 1.
Como tú lo harás ver nosotros poder correr a segundo y tercero, y tú poder entonces usar aquellos
como alguno herramientas gráficas.
También dice tú el tipo de neural red eso era correr.
Si él era soltero- en capas, doble- capa,
o a soltero- capa con Impulsando.
Hay a pareja de otro
columnas eso son agregado.
Este factor columna justo permite tú mantener un registro de el factores
eso eran usado en el diseño en caso tú desear a comparar modelos
eso tener diferente factores eso eran usado en cambio de justo parámetros,
y luego también a fila columna.
El próximo pasos entonces nosotros poder continuar edificio afuera.
Tal vez en este caso eran explorador el parámetros.
Ahora nosotros tenemos consiguió a base de a soltero neural red
y tal vez nosotros desear a ver cómo este compara a a dos- capa neural red.
Nosotros poder ir atrás a el sintonización lanzamiento cual era justo minimizado.
Tú poder ver eso todo de este informe, el gráfico constructor informe
como Bueno como el mesa son Sólo un adjunto a el sintonización lanzamiento.
Nosotros poder ir atrás arriba a t su sintonización lanzamiento y tal vez I desear a mirar en
dos oculto capas.
Bien ir a dos, y ahora Enfermo poner en a rango de
aquellos resultados o aquellos parámetros y mantener todo demás el mismo.
Tú poder ver es yendo a precarga el aleatorio semilla eso I generado
en el primero GAMA justo a hacer seguro Todo esta usando el mismo aleatorio semilla.
Bien mantener él en 60, incluso aunque nosotros podría desear a aumentar él
por a pequeño poco desde Somos un boda alguno más factores,
pero mantener él simple, Bueno simplemente vete con 60.
Otro más cosa justo a mencionar es, en el caso es probablemente bonito
bajo probabilidad t tiene todo de estos quería ser colocar a cero en a diseño,
pero si ellos son lo hará justo ir a el por defecto con JMP,
cual es a soltero 10 horas capa.
Tú no tener a preocuparse acerca de teniendo a neural red con cero capas
o cero nodos.
Si eran satisfecho con este, eran justo yendo a hacer clic Correr.
Mientras este es correr, Soy justo yendo a traer arriba el hogar ventana.
Tú poder ver qué es haciendo.
Nosotros tenemos consiguió nuestro original sintonización resultado mesa aquí,
y es construido a segunda t su resultado mesa,
y cuando es Listo, lo hice t justo anexa eso a nuestro original mesa.
Ahora I poder ver en naranja, es todo de aquellos segundo- capa modelos.
Nosotros poder ver en este caso, tal vez teniendo dos capas
era no muy beneficioso en este caso.
Aspecto como en bonito mucho todo casos, aquellos neural redes son no como bien.
Entonces tal vez justo a redondo esto fuera, eran yendo a ir
y construir algo de neuronas redes con Impulsando.
Impulsando es a en realidad lindo forma a aumentar el predicción fuerza de nuestro modelo.
Eran yendo a especificar alguno Impulsando niveles de 1-10, como Bueno como
el aprendiendo tasa de 0.1 a 1.
Una vez de nuevo nuestro aleatorio semilla es lo mismo, y estos son yendo a llevar
a pequeño poco más extenso, entonces Soy justo yendo a disminuir la número de corre
justo en el interés de tiempo.
Nosotros poder hacer clic Correr aquí, nosotros conseguir nuestro diálogo caja eso dice a nosotros
nuestro en general progreso, y nosotros poder ver estos en el casos
dónde nosotros tenemos probablemente consiguió lotes de impulsando, ellos podría ser tomando a pequeño poco de tiempo.
En este caso Impulsando neural redes, o neural redes eso tenía Impulsando
son ahora este púrpura, y nosotros poder ver en bonito mucho todo el casos
púrpura es más alto, especialmente cuando él aspecto como
nosotros poder ver por estos caja parcelas como Bueno.
Entonces nosotros poder también ver en t su caso encima aquí nuestro Impulsando.
Tal vez nosotros no lo han hecho encontró el máximo número de aumenta,
él aspecto como él continúa yendo arriba,
entonces nosotros podría desear a agregar alguno adicional Impulsando capas o tal vez
nuestro aprendiendo tasa es mejor en este medio a alto valor
en cambio de en el más bajo aprendiendo tasa valores.
El próximo cosa nosotros Podría ser en a hacer una vez nosotros tener este inicial vista
de nuestro sistema, es a correr a pocos de estos neural redes y comparar a ellos.
Nosotros poder hacer eso a pocos maneras.
Nosotros poder mirar en nuestro mesa Aquí un Dakota del Norte correr o y seleccionar alguno neural redes
basado en el gráfico, y tú poder ver ellos son destacando abajo abajo
en nuestro datos mesa como Bueno.
Tal vez qué nosotros desear a hacer es correr el arriba cuatro o cinco.
I desear a correr el arriba cinco.
No tener a ir atrás en el neural red plataforma a hacer este,
I poder justo correr él por haciendo clic este botón, correr seleccionado modelos.
Ahora es yendo a correr aquellos atrás en el neural red plataforma
y dar a nosotros a pequeño producción eso espectáculos a nosotros el fila en nuestro datos mesa eso era correr.
Este es justo el estándar neural red producción ahora.
Nosotros aprobar a través de el mismo aleatorio semilla, entonces si nosotros llevar a mirar en valores de R cuadrado,
eran yendo a conseguir el mismo neural red eso era desarrollado
porque eran usando eso, paso a través de eso mismo semilla.
Entonces nosotros poder venir a través de y nosotros poder llevar a mirar en mas...
Cualquiera el más resumen estadística valores o el actual versus previsto,
o conseguir el perfiladores.
Lo que nosotros podría desear a hacer a comparar estos neural redes.
Uno otro cosa nosotros podría desear a hacer en este escenario
es crear alguno adicional visualizaciones.
Nosotros poder ir a través de y nosotros poder espectáculo este sintonización mesa.
Si nosotros no desear a trabajar En yo t aquí, nosotros poder justo no oculto él,
y ahora nosotros tenemos consiguió a datos mesa eso nosotros poder usar,
y nosotros poder ir en gráfico constructor y tal vez nosotros desear a
llevar a mirar en validación versus capacitación R- al cuadrado
justo a ver cómo eso es mirando, o nosotros poder ir a través de.
Porque nosotros tenemos consiguió el número de GAMA, podemos pista cómo nuestro neural redes
tener mejorado con nuestro sintonización.
I poder ir en gráfico constructor y I poder usar eso nDOE,
y tal vez nosotros desear a mirar en entrenamiento y validación R-cuadrado,
nosotros poder doblar en caja parcelas y nosotros poder ver cómo nuestro sintonización tiene progresado encima tiempo
con cada posterior diseño eso nosotros corrió.
Otro opción es si tú desear a hacer alguno más analítico tipo análisis aquí,
nosotros poder ir en cribado y nosotros poder correr vaticinador cribado.
Nosotros poder llevar todo de aquellos parámetros, carga a ellos en como predictores,
y mira a nuestro capacitación y validación R- al cuadrado.
Hacer clic DE ACUERDO, y ahora nosotros poder ver cual factores podría ser mayoría influyente
en el capacitación o validación.
No asombrosamente, aquellos aprendiendo tarifas y impulsando una re bien en este validación.
Hay No fin a qué análisis tú podría desear a hacer,
en aquí es justo qué su meta de el neural red era
y dónde tú desear a ir con él.
Pero tú poder hacer eso todo en t su datos mesa cual ahora tiene 160 neural red modelos.
Tal vez estos neural red modelos llevar a pequeño poco de tiempo,
Así que otro cosa tú poder hacer es nosotros poder justo ahorrar este.
I desear a ir archivo, y yo poder ahorrar este.
Soy Sólo g oing a ahorrar él a mi de oficina como T su Resultados.
I poder venir atrás a este más tarde.
Ahora eso Yo tengo consiguió él salvado, Soy yendo a cerca este.
Uno cosa eso tú lo harás conseguir a advertencia, cuando tú cerca él.
Tú debería justo esconder este datos mesa.
Si tú cerca él, es yendo a llevar él afuera de el neural red plataforma
y tú no ser capaz a continuar su trabajar,
pero tú poder esconder él.
Cuando tú conseguir atrás a el agregar- en, cuando tú cerca este ventana,
es justo yendo a recordar tú .
Puede cerca él sin ahorro o tú poder Cancelar a ir atrás y ahorrar él.
Eran justo yendo a hacer clic DE ACUERDO.
Cuando I ahorrar este sintonización mesa para más tarde, entonces qué I poder hacer es,
es ahora I poder relanzar eso agregar- en y I poder ir en el sintonización agregar- en,
hacer clic DE ACUERDO.
Pero en cambio de restableciendo cualquier parámetros y haciendo clic Correr, I poder ir a Carga.
Qué I poder hacer es I poder carga a previamente salvado sintonización mesa,
y qué este hace es dejar a mí en el caso de neural redes
eso llevar a largo tiempo, tú no tener a comenzar encima de rascar.
Tú poder justo mantener edificio en el mesa eso tú buscado, o tal vez tú hacer
alguno adicional análisis desconectado y desear a venir atrás en
y construir alguno más modelos, entonces tú poder ir a través de y cuando tú especificar
todo el diferente parámetros y número de sintonización corre tú desear a tener,
es justo yendo a continuar añadiendo él a este mesa.
Con eso Vamos minimizar este.
Eso es rápido correr a través de de un todos el diferente opciones
en este sintonización mesa.
Es en realidad a bruto fuerza forma.
Tú poder ver Hay No auto melodía. Bien ahora es justo correr
todo aquellos diferente parámetro combinaciones donación tú un idea
de donde su óptimo modelo podría ser .
Cómo tú podría trabajar este en su flujo de trabajo entonces tú poder explorar aquellos parámetros,
este es esencialmente qué nosotros hizo hoy.
Nosotros miró en soltero- capa modelos, nosotros miró en modelos con dos capas.
Soltero- capa con Impulsando.
Otro cosa tú podría hacer es ir atrás y decir,
"EN él, dónde son mi óptimo ¿modelos?"
Ellos son aquí.
I poder ir atrás a el sintonización lanzamiento y tal vez I desear a recrear aquellos modelos
y ir más hacia este rango.
Él aspecto como Estoy dentro el medio rango aquí, es óptimo,
entonces en cambio de yendo de 0-9, tal vez I ir de 5-7 .
Lineal modelos también podría ser mejor en el medio,
y tal vez el gaussiano, hay alguno bien unos en el izquierda,
entonces Bueno ir de 1-8 o algo como eso, Siete o ocho.
Entonces nosotros poder mirar en cual... En este caso, allá no era un ventaja
a teniendo él en o apagado, entonces nosotros podría justo tener aquellos apagado,
o apagado o en.
Pero él aspecto como tal vez en este caso el peso decadencia era el mejor método,
entonces nosotros podría justo incluir eso uno y entonces ir a través de
y construir alguno más modelos con a angosto rango de aquellos parámetros.
Nosotros poder también controlar parámetro sensibilidad a a aleatorio semilla.
En este caso nosotros poder aprobar a través de cualquiera constante valores
o r a angosto rango.
Tú poder aprobar a través de a constante colocar de parámetros
justo por configuración cada parámetro igual a cada otro,
y lo hará aprobar eso a través de el neural red como cinco cada tiempo,
o tú poder justo especificar el mín. valor, y eso voluntad aprobar él a través de
como a constante valor.
Si nosotros buscado a nosotros podría mirar en
Tal vez esto era a neural red eso era uno eso nosotros identificado como óptimo,
pero I desear a ver cómo robusto él es a el aleatorio semilla.
Qué nosotros poder hacer es nosotros poder justo decir justo correr él una vez,
pero Vamos reproducir exactamente él con 20 aleatorio semillas.
Eso podría de hecho llevar a pequeño poco de tiempo,
entonces Vamos ir abajo a 10.
Entonces nosotros poder...
De hecho, I no desear a hacer eso en este uno,
porque Yo tengo consiguió todo aquellos otros, pero Bueno justo correr este.
Tú podría desear a hacer este en a limpio datos mesa
dónde estás no añadiendo él a el diseño, pero nosotros poder usar b porque nosotros tener
el número de Hace nosotros podría encontrar dónde eso aleatorio semilla era.
Nosotros poder ver aquí, todo el diferente aleatorio semillas
y I poder ir en gráfico constructor y I podría justo poner en
el capacitación y validación R- cuadrados, y entonces I poder usar local datos filtrar ahora
en mi aleatorio semilla a espectáculo todo excepto el uno dónde nosotros tenía todo aquellos.
Ahora I poder ver cómo robusto mi modelo es a eso aleatorio semilla.
Eso es el mismo diseño ahora correr 10 veces,
y entonces en promedio nosotros poder ver qué el mediana valor es
o el rango de esperado resultados.
Entonces Finalmente, w e poder carga aquellos salvado datos mesas.
Aquellos son en realidad beneficioso para neural redes que podrían tener
en realidad largo computación veces, entonces tú poder ahorrar él apagado
y venir atrás a él más tarde.
Aquellos son alguno flujos de trabajo eso podría ser e útil a tú como tú construir
su neural red modelos.
I justo desear a envoltura arriba con a pocos lecciones aprendió.
Este era el primero secuencias de comandos proyecto eso I fue a través de
eso desarrollado un solicitud,
y entonces I pensar este es bonito obvio a cualquiera eso es desarrollado cualquier JSL
o construido cualquier aplicaciones, el JMP comunidad es en realidad
un inestimable recurso.
I quería decir 95% de todo mi preguntas, I quería justo ir a el comunidad
y alguien demás tenía a similar asunto.
En realidad recomendar si tú son interesado en edificio agregar- adentro,
edificio aplicaciones, el comunidad es en realidad el primero lugar a ir.
En realidad, su imaginación y su objetivos son el limitante factor
en desarrollo estos aplicaciones.
A similar con eso es porque hay entonces muchos posibilidades,
allá era a necesidad a mantener este centrado.
En este caso, I justo tener... I pensar en uno iteración
I tenía muchos diferente salidas, diferente gráficos,
pero ellos no eran en realidad el corazón de el solicitud.
Porque Hay entonces muchos posibilidades, Yo realmente intentó a mantener este centrado
en justo donación alguno gráfico producción a navegar por el diferente modelos
y correr a ellos y identificar cual podría ser mayoría adecuado.
Qué ¿próximo?
I en realidad desear comentario.
Es egoísta, pero es qué I en realidad desear.
I quería amar a escuchar cómo gente poder usar este, cómo es beneficiándose a ellos.
Tú poder encontrar este en el comunidad, en el agregar- en sección de el comunidad.
Por favor sentir gratis a hacer a correo aquí, decir a mí cómo estás usando él.
I hacer tener a pocos conocido asuntos, y como I recolectar más,
Soy seguro es no 100% bicho- prueba, pero este voluntad ser el lugar a ir
a conseguir el actual versión de el complemento como Bueno como entender cualquier conocido asuntos.
Pero Identificación amar a escuchar cómo estás usando él,
y el comunidad es a excelente lugar a hacer eso.
I quería también como a escuchar ideas en adicional informes.
I conservó este bonito simple, pero si tú encontrar eso Hay a informe
eso estás generando cada tiempo tú correr este,
Identificación como a saber qué eso es un Dakota del Norte tal vez nosotros poder construir eso en el agregar- en.
Soy también yendo a continuar depuración.
Allá son a pocos conocido asuntos eso Soy laboral a través de bien ahora,
y entonces tal vez a más grande meta es a intentar a hacer eso auto melodía.
En cambio de haciendo este bruto fuerza método, tal vez comenzar afuera con
una pequeña número o f parámetros, cifra afuera cual unos
área afectando el respuesta el mayoría, y entonces teniendo a dirigido sintonización.
Con eso, Identificación como a gracias para escuchando a este presentación.
Este es a en realidad divertido proyecto y I esperanza tú encontrar él útil,
y quería amar a escuchar acerca de él.
Gracias.
