Translation not up to date
Neuronová síť může přibližovat širokou škálu prediktivních modelů s minimálními nároky na strukturu modelu a předpoklad. Forma vztahů se určuje během procesu učení. Je-li lineární vztah mezi cílem a prediktory vhodný, výsledky neuronové sítě by se měly sblížit s výsledky tradičního lineárního modelu. Je-li nelineární vztah vhodnější, neurální sítě se automaticky přibližuje "správné" modelové struktuře.
Tento kompromis pro tuto flexibilitu spočívá v tom, že neurální síť není snadno interpretovatelný. Pokud se pokoušíte vysvětlit základní proces, který vytváří vztahy mezi cílem a prediktory, bylo by lepší použít tradičnější statistický model. Nicméně, pokud modelový interpretatelnost není důležitý, můžete získat dobré předpovědi pomocí neuronové sítě.
Požadavky na pole. Musí existovat alespoň jeden cíl a jeden vstup. Pole nastavená na hodnotu Both nebo None jsou ignorována. Pro cíle nebo prediktory (vstupy) nejsou žádná omezení na úrovni měření.
Prvotní váhy přiřazené nervovým sítím během sestavování modelu, a tedy i konečné vytvořené modely, závisí na pořadí polí v datech. Produkt Watsonx.ai automaticky řadí data podle názvu pole před uvedením do neuronové sítě pro trénink. To znamená, že explicitní změna pořadí polí ve směru toku dat nebude mít vliv na generované modely neuronové sítě, když je v tvůrci modelů nastaven náhodný seed. Avšak změna názvů vstupních polí způsobem, který změní jejich pořadí řazení, bude vytvářet různé modely neuronové sítě, a to i s náhodným semením nastaveným v tvůrci modelů. Kvalita modelu nebude významným způsobem ovlivněna různým pořadím řazení názvů polí.