Docs
...
neuralnetworknode properties

neuralnetworknode, Eigenschaften

Letzte Aktualisierung: 11. Feb. 2025
neuralnetworknode, Eigenschaften

Symbol für neuronalen NetzknotenDer Netzknoten verwendet ein vereinfachtes Modell der Art und Weise, wie ein menschliches Gehirn Informationen verarbeitet. Es funktioniert, indem eine große Anzahl miteinander verbundener einfacher Verarbeitungseinheiten simuliert wird, die abstrakten Versionen von Neuronen ähnlich sind. Neuronale Netze sind leistungsstarke Mehrzweckschätzer, für deren Training und Anwendung nur sehr geringe statistische oder mathematische Kenntnisse erforderlich sind.

Beispiel

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")
Tabelle 1. neuralnetworknode, Eigenschaften
neuralnetworknodeEigenschaften Werte Eigenschaftsbeschreibung
targets [field1 ... fieldN] Gibt die Zielfelder an.
inputs [field1 ... fieldN] Im Modell verwendete Prädiktorfelder.
splits [field1 ... fieldN Gibt das Feld bzw. die Felder für die Aufteilungsmodellierung an.
use_partition Markierung Wenn ein Partitionsfeld definiert ist, gewährleistet diese Option, dass nur Daten aus der Trainingspartition für die Modellerstellung verwendet werden.
continue Markierung Training des bestehenden Modells fortsetzen.
objective
Standard
Bagging
Boosting
psm
 psmwird für sehr große Datasets verwendet und erfordert eine Serververbindung.
method
MultilayerPerceptron
RadialBasisFunction
  
use_custom_layers Markierung  
first_layer_units Zahl  
second_layer_units Zahl  
use_max_time Markierung  
max_time Zahl  
use_max_cycles Markierung  
max_cycles Zahl  
use_min_accuracy Markierung  
min_accuracy Zahl  
combining_rule_categorical
Voting
HighestProbability
HighestMeanProbability
 
combining_rule_continuous
MeanMedian
  
component_models_n Zahl  
overfit_prevention_pct Zahl  
use_random_seed Markierung  
random_seed Zahl  
missing_values
listwiseDeletion
missingValueImputation
  
use_model_name Boolesch  
model_name Zeichenfolge  
confidence
onProbability
onIncrease
  
score_category_probabilities Markierung  
max_categories Zahl  
score_propensity Markierung  
use_custom_name Markierung  
custom_name Zeichenfolge  
tooltip Zeichenfolge  
keywords Zeichenfolge  
annotation Zeichenfolge  
calculate_variable_importance Boolesch Bei Modellen, die zu einem angemessenen Maß an Wichtigkeit führen, können Sie ein Diagramm anzeigen, in dem der relative Einfluss der einzelnen Prädiktoren auf die Modellschätzung angegeben wird. Normalerweise sollten Sie sich bei der Modellierung auf die Prädiktoren konzentrieren, die am wichtigsten sind, und in Betracht ziehen, diejenigen, die am wenigsten wichtig sind, zu löschen oder zu ignorieren.