809970_zh-CN

liliconcom

使用神经网络模型发现和预测模式

了解如何：

• 理解神经网络是一组派生输入（称为隐藏节点）的函数，这些输入是原始输入的非线性函数
• 解释神经网络图的输入（因素）和输出（响应）
• 了解术语及其如何应用于构建神经网络（节点、激活类型、激活函数）
• 了解激活函数的类型（TanH、线性、高斯、S 形、恒等和径向），这些函数可转换隐藏层节点处的 X 变量的线性组合
• 按照顺序构建神经网络模型
  • 启动模型（JMP 与 JMP Pro）
  • 指定第一层和第二层中的节点数
  • 使用增强来构建更大的加法模型，以适应先前较小模型的缩放残差）
  • 指定学习率（越接近 1，模型运行速度越快，但可能趋于过度拟合）
  • 变换协变量
  • 对连续输出使用稳健拟合，以最大限度地减少异常值的影响
  • 了解 JMP 如何使用惩罚方法和巡检次数
  • 选择惩罚方法（平方、绝对、无惩罚）以帮助避免过度拟合
  • 选择游览次数
• 案例研究：构建连续响应的神经网络
  • 使用 JMP 验证避免过度拟合
  • 比较训练集和验证集值
  • 使用模型启动更改神经网络设置
  • 使用实际预测图和刻画器来评估预测因子如何影响结果
• 案例研究：构建分类响应神经网络
  • 解释拟合统计数据、混淆矩阵、ROC 曲线和提升曲线

资源：

• 神经网络预测分析器中的外推控制选项
• 理解建立预测模型的原理视频

预测模型和机器学习