Wir gehen oft davon aus, dass es eine komplizierte Beziehung zwischen erklärenden Variablen und Antworten gibt. In diesen Fällen sind neuronale Netze (neuronale Netze) nützlich und ermöglichen es uns, Antworten aus einem flexiblen Netzwerk von Funktionen von Eingangsvariablen vorherzusagen. Neuronale Netze können unterschiedliche Antwortflächen effizient und flexibel modellieren, wenn es nicht erforderlich ist, die Funktionsform der Antwortfläche zu kennen.
In einem kürzlich veröffentlichten Webcast gab Valerie Hyde, JMP Systems Engineer, einen kurze Demo Verwendung von JMP-Neuronalen Netzen zur Ermittlung von Prädiktoren für Versicherungsansprüche. Sie verwendete einen Trainingssatz von 70% der Daten, um die Daten anzupassen, und validierte den Trainingssatz mit den verbleibenden 30% der Daten (Holdback-Satz).
In der Demo baut sie ein neuronales Netz mit fünf erklärenden Variablen (Eingangsknoten), einer Antwort (Ausgangsknoten) und drei Zwischenknoten, die Beziehungen zu den Eingängen und Ausgängen haben.
Sie zeigt, wie man den R untersucht 2 und das kreuzvalidierte R 2 , gibt an, wie festgestellt werden kann, ob es sinnvoll ist, weitere Knoten hinzuzufügen und dann erneut anzupassen. Außerdem wird beschrieben, wie das Ergebnis der Umrüstung ausgewertet wird.
Möchten Sie mehr über neuronale Netze in erfahren? JMP , einschließlich der Änderung der maximalen Anzahl von Iterationen, der Überfitungsstrafe und des Abdeckungskriteriums? Weitere Informationen finden Sie in Kapitel 28 des Statistics and Statistics Guide, auf das Sie über JMP zugreifen können Hilfe> Bücher> JMP Stat und Graph Guide .
Schauen Sie sich auch unsere an Live-Webcast-Zeitplan im September, wenn wir unsere 4Q-Webcasts veröffentlichen. Valerie wird eine einstündige Präsentation über neuronale Netze halten.
