A menudo asumimos que existe una relación complicada entre las variables explicativas y las respuestas. En estos casos, las redes neuronales (redes neuronales) son útiles y pueden permitirnos predecir respuestas de una red flexible de funciones de variables de entrada. Las redes neuronales pueden modelar de manera eficiente y flexible diferentes superficies de respuesta cuando no es necesario conocer la forma funcional de la superficie de respuesta.
En un reciente webcast, Valerie Hyde, ingeniera de sistemas de JMP, dio una breve demostración utilizando redes neuronales JMP para encontrar predictores de reclamaciones de seguros de automóviles. Utilizó un conjunto de entrenamiento del 70% de los datos para ajustar los datos, y validó de forma cruzada el conjunto de entrenamiento con el 30% restante de los datos (conjunto de retención).
En la demostración, construye una red neuronal que tiene cinco variables explicativas (nodos de entrada), una respuesta (nodo de salida) y tres nodos intermedios que tienen relaciones con las entradas y la salida.
Ella muestra cómo examinar la R 2 y la cruzada validada 2 , explica cómo determinar si es beneficioso agregar más nodos y luego volver a montar, y describe cómo evaluar el resultado de la reparación.
¿Quieres aprender más sobre las redes neuronales en JMP , incluido el cambio de iteraciones máximas, penalización excesiva y criterio de cobertura? Vea el Capítulo 28 en la Guía de estadísticas y gráficos, accesible desde JMP Ayuda> Libros> JMP Stat and Graph Guide .
Además, asegúrese de revisar nuestra horario de transmisión en vivo en septiembre, cuando publicamos nuestras webcasts 4Q. Valerie hará una presentación de una hora centrada en las redes neuronales.
