Spesso pensiamo che esista una relazione complicata tra variabili esplicative e risposte. In questi casi, le reti neurali (reti neurali) sono utili e possono permetterci di prevedere le risposte da una rete flessibile di funzioni delle variabili di input. Le reti neurali possono modellare in modo efficiente e flessibile le diverse superfici di risposta quando non è necessario conoscere la forma funzionale della superficie di risposta.
In un recente webcast, Valerie Hyde, JMP Systems Engineer, ha dato un breve demo usando le reti neurali JMP per trovare i predittori delle richieste di assicurazione auto. Ha utilizzato un set di allenamento del 70% dei dati per adattarsi ai dati e ha convalidato il set di allenamento con il restante 30% dei dati (set di holdback).
Nella demo, costruisce una rete neurale che ha cinque variabili esplicative (nodi di input), una risposta (nodo di output) e tre nodi intermedi che hanno relazioni con gli input e l'output.
Lei mostra come esaminare la R 2 e il crossvalidated R 2 , spiega come determinare se è vantaggioso aggiungere più nodi e quindi ristabilire e descrive come valutare il risultato del refitting.
Vuoi saperne di più sulle reti neurali in JMP , incluso modificare le iterazioni massime, la penalità di overfit e il criterio di copertura? Vedere il Capitolo 28 nella Guida alle statistiche e alla grafica, accessibile da JMP Guida> Libri> Guida di Stat e Graph di JMP .
Inoltre, assicurati di controllare il nostro programma webcast live a settembre, quando pubblichiamo i nostri Webcast 4Q. Valerie farà una presentazione di un'ora concentrata sulle reti neurali.
