Nous supposons souvent qu'il existe une relation complexe entre les variables explicatives et les réponses. Dans ces cas, les réseaux de neurones (réseaux de neurones) sont utiles et peuvent nous permettre de prédire les réponses d'un réseau flexible de fonctions de variables d'entrée. Les réseaux neuronaux peuvent modéliser de manière efficace et flexible différentes surfaces de réponse lorsqu'il n'est pas nécessaire de connaître la forme fonctionnelle de la surface de réponse.
Récemment, Webcast, Valerie Hyde, ingénieure systèmes chez JMP, a donné une brève démo utiliser les réseaux neuronaux JMP pour trouver des prédicteurs de réclamations d’assurance auto. Elle a utilisé un ensemble d’entraînement de 70% des données pour s’ajuster aux données et a validé l’ensemble d’entraînement avec les 30% restants (ensemble de retenue).
Dans la démo, elle construit un réseau de neurones comportant cinq variables explicatives (noeuds d'entrée), une réponse (noeud de sortie) et trois noeuds intermédiaires liés aux entrées et aux sorties.
Elle montre comment examiner le R 2 et le crossvalidated R 2 , indique comment déterminer s’il est utile d’ajouter plus de nœuds, puis de procéder au réaménagement, et décrit comment évaluer le résultat du réaménagement.
Vous voulez en savoir plus sur les réseaux de neurones dans JMP , y compris la modification des itérations maximales, la pénalité de surapprentissage et le critère de couverture? Voir le chapitre 28 du guide Statistics and Graphics Guide, accessible à partir de JMP. Aide> Livres> JMP Stat and Graph Guide .
Aussi, assurez-vous de vérifier notre diffusion en direct sur le Web en septembre, lorsque nous publions nos émissions Web 4Q. Valerie fera une présentation d'une heure sur les réseaux de neurones.
