Propriedades neuralnetworknode

Ícone do nó da Net neural O nó Rede Neural usa um modelo simplificado da maneira como o cérebro humano processa informações. Ele funciona simulando um grande número de unidades de processamento simples interconectadas que se assemelham a versões abstratas de neurônios. As redes neurais são poderosos estimadores de função geral e requerem um conhecimento estatístico ou matemático mínimo para treinar ou aplicar.

Exemplo

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")

Tabela 1. neuralnetworknode propriedades
Propriedades `neuralnetworknode`	Valores	Descrição da propriedade
`targets`	[field1 ... fieldN]	Especifica campos de destino.
`inputs`	[field1 ... fieldN]	Campos do preditor utilizados pelo modelo.
`splits`	[field1 ... fieldN	Especifica o campo ou campos a serem utilizados para modelagem de divisão.
`use_partition`	sinalização	Se um campo de partição for definido, essa opção assegurará que apenas os dados da partição de treinamento sejam utilizados para construir o modelo.
`continue`	sinalização	Continua treinando o modelo existente.
`objective`	`Standard` `Bagging` `Boosting` `psm`	O `psm` é usado para conjuntos de dados muito grandes e requer uma conexão do servidor.
`method`	`MultilayerPerceptron` `RadialBasisFunction`
`use_custom_layers`	sinalização
`first_layer_units`	number
`second_layer_units`	number
`use_max_time`	sinalização
`max_time`	number
`use_max_cycles`	sinalização
`max_cycles`	number
`use_min_accuracy`	sinalização
`min_accuracy`	number
`combining_rule_categorical`	`Voting` `HighestProbability` `HighestMeanProbability`
`combining_rule_continuous`	`MeanMedian`
`component_models_n`	number
`overfit_prevention_pct`	number
`use_random_seed`	sinalização
`random_seed`	number
`missing_values`	`listwiseDeletion` `missingValueImputation`
`use_model_name`	Booleano
`model_name`	sequência
`confidence`	`onProbability` `onIncrease`
`score_category_probabilities`	sinalização
`max_categories`	number
`score_propensity`	sinalização
`use_custom_name`	sinalização
`custom_name`	sequência
`tooltip`	sequência
`keywords`	sequência
`annotation`	sequência
`calculate_variable_importance`	Booleano	Para modelos que produzem uma medida apropriada de importância, é possível exibir um gráfico que indica a importância relativa de cada preditor na estimativa do modelo. Tipicamente, você desejará focar seus esforços de modelagem nos preditores que mais importam e considerará eliminar ou ignorar aqueles que importam menos.