nó de Rede Neural
Uma rede neural pode aproximar uma ampla gama de modelos preditivos com demandas mínimas na estrutura e suposição do modelo. O formato dos relacionamentos é determinado durante o processo de aprendizado. Se um relacionamento linear entre o destino e os preditores for apropriado, os resultados da rede neural deverão ficar muito próximos dos resultados de um modelo linear tradicional. Se um relacionamento não linear for mais apropriado, a rede neural aproximará automaticamente a estrutura de modelo "correta".
O trade-off para essa flexibilidade é que a rede neural não é facilmente interpretável. Se estiver tentando explicar um processo subjacente que produz os relacionamentos entre o destino e o preditor, será melhor utilizar um modelo estatístico mais tradicional. No entanto, se a capacidade de interpretação do modelo não for importante, será possível obter boas predições utilizando uma rede neural.
Requisitos de campo. Deve haver pelo menos um destino e uma entrada. Campos configurados para Ambos ou Nenhum são ignorados. Não há restrições de nível de medição nos destinos ou preditores (entradas).
Os pesos iniciais atribuídos às redes neurais durante a construção do modelo, e, portanto, os modelos finais produzidos, dependem da ordem dos campos nos dados. Watsonx.ai Studio classifica automaticamente os dados por nome de campo antes de apresentá-los à rede neural para treinamento. Isso significa que mudar explicitamente a ordem dos campos no envio de dados não afetará os modelos de rede neural gerados quando um valor semente aleatório for configurado no construtor de modelo. No entanto, mudar os nomes dos campos de entrada de uma forma que altere sua ordem de classificação produzirá diferentes modelos de rede neural, mesmo com um conjunto inicial aleatório no construtor de modelo. A qualidade do modelo não será afetada significativamente devido à ordem de classificação diferente dos nomes dos campos.