Découvrir et prédire des modèles à l'aide de modèles de réseaux neuronaux
Découvrez comment faire :
- Comprendre un réseau neuronal comme une fonction d'un ensemble d'entrées dérivées, appelées nœuds cachés, qui sont des fonctions non linéaires des entrées d'origine
- Interpréter les entrées (facteurs) et les sorties (réponses) du diagramme du réseau neuronal
- Comprendre les termes et comment ils s'appliquent à la construction de réseaux neuronaux (nœuds, type d'activation, fonctions d'activation)
- Comprendre les types de fonctions d'activation (TanH, Linéaire, Gaussienne, Sigmoïde, Identité et Radiale) qui transforment une combinaison linéaire des variables X aux nœuds des couches cachées
- Suivez la séquence pour créer un modèle de réseau neuronal
- Modèle de lancement (JMP vs. JMP Pro)
- Spécifiez le nombre de nœuds dans la première et la deuxième couche
- Utiliser le boosting pour créer un modèle additif plus grand adapté aux résidus mis à l'échelle des modèles plus petits précédents)
- Spécifiez le taux d’apprentissage (plus proche de 1 exécutera le modèle plus rapidement, mais peut avoir tendance à surajuster)
- Transformer les covariables
- Utilisez Robust Fit pour une sortie continue afin de minimiser l'impact des valeurs aberrantes
- Comprendre comment JMP utilise les méthodes de pénalité et le nombre de tours
- Sélectionnez la méthode de pénalité (au carré, absolue, sans pénalité) pour éviter le surapprentissage
- Sélectionnez le nombre de tours
- Étude de cas sur la création d'un réseau neuronal pour une réponse continue
- Utilisez la validation JMP pour éviter le surapprentissage
- Comparer les valeurs de l'ensemble d'entraînement et de l'ensemble de validation
- Utilisez Model Launch pour modifier les paramètres du réseau neuronal
- Utilisez le graphique et le profileur réels par prédiction pour évaluer l'impact des prédicteurs sur les résultats
- Étude de cas sur la création d'un réseau neuronal pour la réponse catégorielle
- Interpréter les statistiques d'ajustement, la matrice de confusion, les courbes ROC et les courbes de portance
Ressources:
Modélisation prédictive et apprentissage automatique
