809970_de-DE

liliconcom

Entdecken und Vorhersagen von Mustern mithilfe neuronaler Netzwerkmodelle

Erfahren Sie, wie Sie:

• Verstehen Sie ein neuronales Netzwerk als Funktion einer Reihe abgeleiteter Eingaben, sogenannter versteckter Knoten, die nichtlineare Funktionen der ursprünglichen Eingaben sind
• Interpretieren Sie die Eingaben (Faktoren) und Ausgaben (Reaktionen) des neuronalen Netzwerkdiagramms.
• Verstehen Sie Begriffe und ihre Anwendung beim Aufbau neuronaler Netzwerke (Knoten, Aktivierungstyp, Aktivierungsfunktionen).
• Verstehen Sie die Arten von Aktivierungsfunktionen (TanH, Linear, Gauß-, Sigmoid-, Identitäts- und Radialfunktionen), die eine lineare Kombination der X-Variablen an den Knotenpunkten verborgener Schichten transformieren.
• Befolgen Sie die Reihenfolge zum Erstellen eines neuronalen Netzwerkmodells
  • Modell starten (JMP vs. JMP Pro)
  • Geben Sie # Knoten in der ersten und zweiten Ebene an
  • Verwenden Sie Boosting, um ein größeres additives Modell zu erstellen, das auf den skalierten Residuen vorheriger kleinerer Modelle basiert.)
  • Geben Sie die Lernrate an (näher an 1 führt das Modell schneller aus, neigt aber möglicherweise zu Überanpassung)
  • Kovariaten transformieren
  • Verwenden Sie Robust Fit für kontinuierliche Ausgabe, um die Auswirkungen von Ausreißern zu minimieren
  • Verstehen Sie, wie JMP Strafmethoden und die Anzahl der Touren verwendet
  • Wählen Sie die Strafmethode (Quadrat, Absolut, Keine Strafe), um eine Überanpassung zu vermeiden
  • Wählen Sie die Anzahl der Touren
• Fallstudie zum Aufbau eines neuronalen Netzwerks für eine kontinuierliche Reaktion
  • Vermeiden Sie Überanpassung durch die JMP-Validierung
  • Vergleichen Sie die Werte des Trainingssatzes und des Validierungssatzes
  • Verwenden Sie Model Launch, um die Einstellungen des neuronalen Netzes zu ändern
  • Verwenden Sie „Actual by Predicted Plot“ und „Profiler“, um zu bewerten, wie sich Prädiktoren auf die Ergebnisse auswirken
• Fallstudie zum Aufbau eines neuronalen Netzwerks für kategorische Antworten
  • Interpretieren Sie Fit-Statistiken, Konfusionsmatrizen, ROC-Kurven und Lift-Kurven

Ressourcen:

• Extrapolationssteuerungsoptionen im Neural Net Prediction Profiler
• Video: Die Prinzipien zum Erstellen von Vorhersagemodellen verstehen

Prädiktive Modellierung und maschinelles Lernen