Un réseau de neurones peut approcher une large gamme de modèles prédictifs avec un minimum de demandes sur la structure et les hypothèses du modèle. La forme des relations est déterminée pendant le processus d'apprentissage. Si une relation linéaire entre la cible et les prédicteurs est appropriée, les résultats du réseau de neurones doivent approcher étroitement ceux d'un modèle linéaire traditionnel. Si une relation non linéaire est plus adéquate, le réseau de neurones approche automatiquement la structure de modèle « appropriée ».
Le compromis concernant cette flexibilité réside dans le fait que le réseau de neurones n'est pas facilement interprétable. Si vous essayez d'expliquer un processus sous-jacent à l'origine des relations entre la cible et les prédicteurs, il serait préférable d'utiliser un modèle statistique plus traditionnel. Cependant, si l'interprétabilité du modèle n'est pas importante, vous pouvez obtenir de bonnes prédictions à l'aide d'un réseau de neurones.
Exigences concernant les champs. Il doit y avoir au moins une cible et une entrée. Les champs définis sur Les deux ou Aucun sont ignorés. Il n'existe pas de restrictions concernant le niveau de mesure des cibles ou des prédicteurs (entrées).
Les poids initiaux affectés aux réseaux de neurones lors de la génération de modèle, et, par conséquent, les modèles finaux qui en résultent, dépendent de l'ordre des champs dans les données. Watsonx.ai trie automatiquement les données par nom de champ avant de les présenter au réseau de neurones pour l'apprentissage. Par conséquent, le fait de modifier l'ordre des champs dans les données en amont n'affecte pas les modèles de réseau de neurones générés lorsqu'une valeur de départ aléatoire est définie dans le générateur de modèles. Toutefois, le fait de modifier le nom des champs d'entrée d'une manière qui modifie leur ordre de tri générera des modèles de réseau de neurones différents, même si une valeur de départ aléatoire est définie dans le générateur de modèles. La modification de l'ordre de tri des noms de champ n'affectera pas de façon significative la qualité des modèles.