propriétés du nœud de réseau neuronal

Icône du noeud Réseau de neurones Le nœud Neural Net utilise un modèle simplifié de la façon dont le cerveau humain traite l'information. Il fonctionne en simulant un grand nombre d'unités de traitement simples interconnectées qui ressemblent à des versions abstraites de neurones. Les réseaux neuronaux sont de puissants estimateurs de fonctions générales et ne nécessitent que des connaissances statistiques ou mathématiques minimales pour être formés ou appliqués.

Exemple

node = stream.create("neuralnetwork", "My node")
# Build Options tab - Objectives panel
node.setPropertyValue("objective", "Standard")
# Build Options tab - Ensembles panel
node.setPropertyValue("combining_rule_categorical", "HighestMeanProbability")

Tableau 1. propriétés de neuralnetworknode
`neuralnetworknode` Propriétés	Valeurs	Description de la propriété
`targets`	[field1 ... fieldN]	Spécifie les champs cibles.
`inputs`	[field1 ... fieldN]	Champs Prédicteur utilisés par le modèle.
`splits`	[field1 ... fieldN	Spécifie le ou les champs à utiliser pour la modélisation fractionnée.
`use_partition`	option	Si un champ de partition est défini, cette option garantit que seules les données de la partition d'apprentissage sont utilisées pour construire le modèle.
`continue`	option	Poursuivre la formation du modèle existant.
`objective`	`Standard` `Bagging` `Boosting` `psm`	`psm` est utilisé pour les très grands ensembles de données et nécessite une connexion au serveur.
`method`	`MultilayerPerceptron` `RadialBasisFunction`
`use_custom_layers`	option
`first_layer_units`	numéro aujourd'hui
`second_layer_units`	numéro aujourd'hui
`use_max_time`	option
`max_time`	numéro aujourd'hui
`use_max_cycles`	option
`max_cycles`	numéro aujourd'hui
`use_min_accuracy`	option
`min_accuracy`	numéro aujourd'hui
`combining_rule_categorical`	`Voting` `HighestProbability` `HighestMeanProbability`
`combining_rule_continuous`	`MeanMedian`
`component_models_n`	numéro aujourd'hui
`overfit_prevention_pct`	numéro aujourd'hui
`use_random_seed`	option
`random_seed`	numéro aujourd'hui
`missing_values`	`listwiseDeletion` `missingValueImputation`
`use_model_name`	booléen
`model_name`	chaîne
`confidence`	`onProbability` `onIncrease`
`score_category_probabilities`	option
`max_categories`	numéro aujourd'hui
`score_propensity`	option
`use_custom_name`	option
`custom_name`	chaîne
`tooltip`	chaîne
`keywords`	chaîne
`annotation`	chaîne
`calculate_variable_importance`	booléen	Pour les modèles qui produisent une mesure appropriée de l'importance, vous pouvez afficher un graphique qui indique l'importance relative de chaque prédicteur dans l'estimation du modèle. En règle générale, vous devrez concentrer vos efforts de modélisation sur les prédicteurs les plus importants et envisager d'abandonner ou d'ignorer ceux qui le sont le moins.