Sam Gardner, ingénieur systèmes chez JMP, a présenté une diffusion Web sur la plate-forme JMP 9 Neural. Réorganisé pour JMP 9 , la nouvelle plate-forme Neural améliore exploration de données interactive en offrant un ensemble plus riche d'options de modélisation, une vitesse et des performances améliorées et des calculs qui simplifient l'analyse.
Je pensais partager les réponses de Sam à certaines des questions posées par les utilisateurs de JMP.
Q: Les réseaux neuronaux semblent être une régression non linéaire, très sensible aux conditions aux limites et donc souvent instable. Quel est l'avantage des réseaux neuronaux par rapport à la régression non linéaire?
UNE: Les réseaux neuronaux sont un type de modèle non linéaire. Ils ont tendance à bien fonctionner lorsque la réponse que vous modélisez est une fonction relativement fluide des entrées. Les réseaux neuronaux ne fonctionnent pas aussi bien lorsque vous avez des conditions aux limites (telles que y (x) = 0 pour x <= 0) ou des discontinuités dans la réponse. Un des avantages des réseaux de neurones est qu’il est facile d’adapter un modèle complexe aux données sans s’inquiéter de la forme fonctionnelle du modèle, alors que dans le cas de la modélisation non linéaire générale, vous devez spécifier complètement le modèle que vous souhaitez utiliser.
Q: Puis-je utiliser des variables catégorielles comme entrées pour un réseau de neurones?
UNE: Oui. JMP crée des variables indicatrices en arrière-plan (pas dans la table de données) pour chaque niveau de l'entrée catégorique. Par exemple, si l'entrée est «nourriture» et que les catégories sont «pommes», «oranges» et «bananes», JMP crée trois variables d'entrée dans le réseau neuronal:
food1 = (food == “pommes”)
food2 = (food == “bananes”)
food3 = (food == "oranges")
Comme cela est fait en arrière-plan, lorsque vous enregistrez les équations de prédiction, les nouvelles variables sont créées avec des fonctions d'indicateur dans les équations.
Q: Puis-je utiliser des réseaux neuronaux pour une variable Y binaire?
UNE: Oui, vous pouvez insérer une variable Y catégorique binaire ou multiniveau dans le réseau neuronal. La seule différence est que la sortie que vous modélisez est la probabilité de la fréquence d'apparition du Y catégorique.
Q: Après avoir obtenu un modèle, puis-je ajouter régulièrement de nouvelles données pour utiliser le modèle à des fins de prévision?
UNE: Si vous ajoutez des données que vous souhaitez inclure dans l'ajustement du modèle, vous devez réajuster le modèle neuronal. Si vous souhaitez uniquement prédire les nouvelles valeurs d'entrée en fonction des équations de modèle que vous avez enregistrées dans la table de données, ajoutez simplement une ligne de données contenant les valeurs d'entrée, puis JMP calculera les valeurs de sortie dans la prédiction. colonne de formule.
Q: Quelle est la fonction tanh?
UNE: La fonction tangente hyperbolique (tanh) a toujours été une fonction d'activation populaire à utiliser dans les réseaux de neurones. Il a de bonnes propriétés (la sortie de tanh est délimitée par -1,1, la plage effective des entrées est -3, 3, elle est lisse et elle est différentiable) et permet une modélisation non linéaire très flexible. Dans JMP Pro (un nouveau produit de la famille JMP), nous autorisons également les fonctions d’activation linéaire et gaussienne.
Q: Les réseaux de neurones peuvent-ils être utilisés pour l'analyse de séries chronologiques?
UNE: Techniquement, la réponse est oui. L'entrée dans le réseau de neurones serait l'indicateur de temps. Vous devez donc extrapoler au-delà de la plage des données d'apprentissage (c.-à-d. Prédire une réponse future pour une valeur temporelle en dehors de la plage de l'ensemble de données d'apprentissage). approche. En général, les réseaux de neurones ne s’extrapolent pas très au-delà de la plage des données d’entraînement.
Q: Existe-t-il un moyen de déterminer quelles variables ont eu la plus grande influence sur la variable de sortie?
UNE: JMP ne calcule pas les mesures d'importance variable pour les réseaux de neurones. Cependant, vous pouvez voir l'importance variable de manière visuelle à l'aide de JMP Profilers.
Certains utilisateurs voulaient savoir comment tirer parti de la compatibilité avec les versions antérieures de la plate-forme Neural Net utilisée dans JMP 8 ou une version antérieure. Sam a montré comment écrire un script pour appeler Neural Net à partir de JMP 9. Regarde maintenant.
Vous pouvez également ajouter l'option Net Neural à vos menus JMP 9. Regarde maintenant.
Curt Pollman a écrit:
Merci de nous avoir fourni cette vidéo qui explique comment ajouter l’option Neural Net au menu JMP 9. Cependant, il semble que les instructions soient spécifiques à la version Windows de JMP 9 et je ne peux pas dupliquer les étapes à l'aide de la version Mac de JMP 9. Est-ce que j'ai râté quelque chose?
