Neural Net düğümü
Sinirsel ağ , model yapısı ve varsayımı ile ilgili en az talepte bulunan çok çeşitli tahmine dayalı modeller yelpazesinde yaklaşık bir yelpazeye sahip olabilir. İlişkilerin biçimi, öğrenme süreci sırasında belirlenir. Hedef ile tahmin edilenler arasındaki doğrusal bir ilişki uygunsa, nöral ağın sonuçları geleneksel bir doğrusal modelle yakından yakından ilgili olmalıdır. eğer doğrusal olmayan bir ilişki daha uygunsa, nöral ağ otomatik olarak "doğru" model yapısını yaklaşık olarak kabul eder.
Bu esneklik için, bu esneklik, sinirsel ağın kolay bir şekilde yorumlanabilmeyidir. Hedef ve tahmin ediliciler arasındaki ilişkileri üreten temel bir süreci açıklamaya çalışıyorsanız, daha geleneksel bir istatistiksel model kullanmak daha iyi olacaktır. Ancak, model yorumlanabilirliği önemli değilse, nöral ağ kullanarak iyi tahminler elde edebilirsiniz.
Alan gereksinimleri. En az bir Hedef ve bir Giriş olmalıdır. Her İkisi için ayarlanan alanlar ya da Hiçbiri yok sayılmaz. Hedefler ya da tahmin ediliciler (girişler) üzerinde ölçüm düzeyi kısıtlaması yoktur.
Model oluşturma sırasında sinirsel ağlara atanan ilk ağırlıklar ve bu nedenle üretilen son modeller, verilerdeki alanların sırasına göre değişir. Watsonx.ai , eğitim için sinirsel ağa sunmadan önce verileri otomatik olarak alan adına göre sıralar. Bu, veri yukarı akışındaki alanların sırasını açıkça değiştirerek, model oluşturucuda rasgele bir çekirdek ayarlandığında oluşturulan sinirsel ağ modellerini etkilemecektir. Ancak, giriş alanı adlarının sıralama düzenini değiştiren bir şekilde değiştirilmesi, model oluşturucuda rasgele bir tohum kümesiyle bile farklı sinirsel ağ modelleri üretecek. Model kalitesi, alan adlarının farklı sıralama düzenine önemli ölçüde etkilenmez.