809970_es-ES

liliconcom

Descubrimiento y predicción de patrones mediante modelos de redes neuronales

Vea cómo:

• Comprender una red neuronal como una función de un conjunto de entradas derivadas, llamadas nodos ocultos, que son funciones no lineales de las entradas originales.
• Interpretar las entradas (factores) y salidas (respuestas) del diagrama de red neuronal
• Comprender los términos y cómo se aplican a la construcción de redes neuronales (nodos, tipo de activación, funciones de activación)
• Comprender los tipos de funciones de activación (TanH, lineal, gaussiana, sigmoidea, identidad y radial) que transforman una combinación lineal de las variables X en los nodos de las capas ocultas.
• Siga la secuencia para construir un modelo de red neuronal
  • Modelo de lanzamiento (JMP vs. JMP Pro)
  • Especifique # nodos en la primera y segunda capa
  • Utilice el refuerzo para construir un modelo aditivo más grande que se ajuste a los residuos escalados de modelos anteriores más pequeños)
  • Especifique la tasa de aprendizaje (cuanto más cerca esté de 1, más rápido se ejecutará el modelo, pero puede tender a sobreajustarse)
  • Transformar covariables
  • Utilice Robust Fit para salida continua para minimizar el impacto de valores atípicos
  • Comprenda cómo JMP utiliza los métodos de penalización y el número de recorridos
  • Seleccione el método de penalización (cuadrado, absoluto, sin penalización) para ayudar a evitar el sobreajuste
  • Seleccione el número de Tours
• Estudio de caso: construcción de una red neuronal para una respuesta continua
  • Utilice la validación JMP para evitar el sobreajuste
  • Comparar los valores del conjunto de entrenamiento y del conjunto de validación
  • Utilice Model Launch para cambiar la configuración de la red neuronal
  • Utilice el gráfico y el generador de perfiles Actual by Predicted para evaluar cómo los predictores afectan los resultados
• Estudio de caso sobre la construcción de una red neuronal para la respuesta categórica
  • Interpretación de estadísticas de ajuste, matriz de confusión, curvas ROC y curvas de elevación

Recursos:

• Opciones de control de extrapolación en el generador de perfiles de predicción de redes neuronales
• Vídeo sobre los principios para la construcción de modelos predictivos

Modelado predictivo y aprendizaje automático