Propiedades de neuralnetwork | IBM Cloud Pak for Data as a Service

Volver a la versión inglesa de la documentación

Propiedades de neuralnetwork

Última actualización: 07 oct 2024

Propiedades de neuralnetwork

Icono de nodo Red neuronal El 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.