Una rete neurale è in grado di approssimare un'ampia gamma di modelli predittivi con un impegno minimo del modello in termini di struttura e presupposti. La forma delle relazioni viene determinata durante il processo di apprendimento. Se una relazione lineare tra l'obiettivo e i predittori è appropriata, i risultati della rete neurale devono avvicinarsi molto a quelli di un modello lineare tradizionale. Se una relazione non lineare risulta più appropriata, la rete neurale approssima automaticamente la struttura "corretta" del modello.
Il compromesso per tale flessibilità è il fatto che la rete neurale non è facilmente interpretabile. Se è necessario spiegare qual è il processo sottostante che genera la relazione tra l'obiettivo e i predittori, è preferibile utilizzare un modello statistico più tradizionale. Tuttavia, se l'interpretazione del modello non è importante, è possibile ottenere previsioni apprezzabili con una rete neurale.
Requisiti dei campi. Devono essere presenti almeno un obiettivo ed un input. I campi impostati su Entrambi o Nessuno verranno ignorati. Non esistono restrizioni per il livello di misurazione di obiettivi o predittori (input).
I pesi iniziali assegnati alle reti neurali durante la creazione del modello, e quindi i modelli finali prodotti, dipendono dall'ordine dei campi nei dati. Watsonx.ai Studio ordina automaticamente i dati in base al nome del campo prima di presentarli alla rete neurale per l'addestramento. Ciò significa che modificando esplicitamente l'ordine dei campi nei dati upstream non interesserà i modelli della rete neurale generati quando viene impostato un valore random nel builder del modello. Tuttavia, la modifica dei nomi dei campi di input in un modo che modifica il loro ordinamento produrrà modelli di rete neurale differenti, anche con un insieme di valori random nel builder del modello. La qualità del modello non verrà influenzata in modo significativo dato il diverso ordine di ordinamento dei nomi dei campi.