Docs
...
neuralnetworknode properties

Propiedades de neuralnetwork

Última actualización: 11 feb 2025
Propiedades de neuralnetwork

Icono de nodo Red neuronalEl nodo Red neuronal utiliza un modelo simplificado que emula el modo en que el cerebro humano procesa la información: Funciona simultaneando un número elevado de unidades simples de procesamiento interconectadas que parecen versiones abstractas de neuronas. Las redes neuronales son dispositivos eficaces de cálculo de funciones generales y requieren un conocimiento matemático o estadístico mínimo para entrenarlas o aplicarlas.

Ejemplo

node = stream.create("neuralnetwork", "My node")
# Build Options tab - Objectives panel
node.setPropertyValue("objective", "Standard")
# Build Options tab - Ensembles panel
node.setPropertyValue("combining_rule_categorical", "HighestMeanProbability")
Tabla 1. propiedades de neuralnetworknode
Propiedades de neuralnetworknode Valores Descripción de la propiedad
targets [field1 ... fieldN] Especifica campos objetivo.
inputs [field1 ... fieldN] Campos de predictor utilizados por el modelo.
splits [field1 ... fieldN Especifica el campo o campos para utilizar en el modelado de divisiones.
use_partition distintivo Si se ha definido un campo de partición, esta opción garantiza que sólo se utilizarán los datos de la partición de entrenamiento para la generación del modelo.
continue distintivo Continuar entrenando modelo existente.
objective
Standard
Bagging
Boosting
psm
 psm se utiliza para conjuntos de datos muy grandes y requiere una conexión de servidor.
method
MultilayerPerceptron
RadialBasisFunction
  
use_custom_layers distintivo  
first_layer_units número  
second_layer_units número  
use_max_time distintivo  
max_time número  
use_max_cycles distintivo  
max_cycles número  
use_min_accuracy distintivo  
min_accuracy número  
combining_rule_categorical
Voting
HighestProbability
HighestMeanProbability
 
combining_rule_continuous
MeanMedian
  
component_models_n número  
overfit_prevention_pct número  
use_random_seed distintivo  
random_seed número  
missing_values
listwiseDeletion
missingValueImputation
  
use_model_name Boolean  
model_name serie  
confidence
onProbability
onIncrease
  
score_category_probabilities distintivo  
max_categories número  
score_propensity distintivo  
use_custom_name distintivo  
custom_name serie  
tooltip serie  
keywords serie  
annotation serie  
calculate_variable_importance Boolean En el caso de modelos que produzcan una medida adecuada de importancia, puede mostrar un gráfico que indique la importancia relativa de cada predictor al estimar el modelo. Por lo general, querrá centrar sus esfuerzos de modelado en los predictores que más importan, y considerar dejar de lado o ignorar los que menos importan.