809970_ja-JP
ニューラルネットワークモデルを使用したパターンの発見と予測
方法をご覧ください:
- ニューラルネットワークを、元の入力の非線形関数である隠れノードと呼ばれる派生入力のセットの関数として理解する
- ニューラルネットワーク図の入力（要因）と出力（応答）を解釈する
- 用語と、それがニューラル ネットワークの構築にどのように適用されるかを理解する (ノード、アクティベーション タイプ、アクティベーション関数)
- 隠れ層のノードにおけるX変数の線形結合を変換する活性化関数の種類（TanH、線形、ガウス、シグモイド、恒等、放射）を理解する
- ニューラルネットワークモデルを構築するための手順に従う
- 起動モデル (JMP と JMP Pro)
- 第 1 層と第 2 層のノード数を指定します
- ブースティングを使用して、以前の小さなモデルのスケールされた残差に適合するより大きな加法モデルを構築します。
- 学習率を指定します (1 に近いほどモデルの実行速度は速くなりますが、過剰適合する傾向があります)
- 共変量を変換する
- 外れ値の影響を最小限に抑えるために、連続出力にロバストフィットを使用する
- JMP がペナルティ法と巡回回数をどのように使用するかを理解する
- 過剰適合を避けるために、ペナルティ法（二乗、絶対、ペナルティなし）を選択します。
- ツアーの数を選択
- 継続的な応答のためのニューラル ネットワークを構築するケース スタディ
- 過剰適合を避けるためにJMP検証を使用する
- トレーニングセットと検証セットの値を比較する
- モデル起動を使用してニューラルネット設定を変更する
- 予測値による実測値プロットとプロファイラーを使用して、予測子が結果にどのような影響を与えるかを評価します。
- カテゴリ応答のためのニューラル ネットワークを構築するケース スタディ
- 適合統計、混同行列、ROC曲線、リフト曲線を解釈する
リソース：
予測モデリングと機械学習
Comments
There are no comments yet
