proprietà neuralnetworknode | IBM Cloud Pak for Data as a Service

Torna alla versione inglese della documentazione

proprietà neuralnetworknode

Ultimo aggiornamento: 07 ott 2024

proprietà neuralnetworknode

Icona nodo Rete neurale Il nodo Rete neurale utilizza un modello semplificato del modo in cui il cervello umano elabora le informazioni. Funziona simulando un elevato numero di semplici unità di elaborazione interconnesse che assomigliano a versioni astratte di neuroni. Le reti neurali sono potenti strumenti di valutazione delle funzioni generali e richiedono una conoscenza statistica o matematica minima per l'addestramento o l'applicazione.

Esempio

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")

Tabella 1. proprietà neuralnetworknode
Proprietà `neuralnetworknode`	Valori	Descrizione proprietà
`targets`	[field1 ... fieldN]	Specifica i campi obiettivo.
`inputs`	[field1 ... fieldN]	I campi predittore utilizzati dal modello.
`splits`	[field1 ... fieldN	Specifica il campo o i campi da usare per la creazione di modelli suddivisi.
`use_partition`	indicatore	Se è definito un campo partizione, questa opzione garantisce che per la creazione del modello verranno utilizzati solo i dati della partizione di addestramento.
`continue`	indicatore	Addestramento continuo modello esistente.
`objective`	`Standard` `Bagging` `Boosting` `psm`	`psm` viene utilizzato per insiemi di dati di grandi dimensioni e richiede una connessione Server.
`method`	`MultilayerPerceptron` `RadialBasisFunction`
`use_custom_layers`	indicatore
`first_layer_units`	numero
`second_layer_units`	numero
`use_max_time`	indicatore
`max_time`	numero
`use_max_cycles`	indicatore
`max_cycles`	numero
`use_min_accuracy`	indicatore
`min_accuracy`	numero
`combining_rule_categorical`	`Voting` `HighestProbability` `HighestMeanProbability`
`combining_rule_continuous`	`MeanMedian`
`component_models_n`	numero
`overfit_prevention_pct`	numero
`use_random_seed`	indicatore
`random_seed`	numero
`missing_values`	`listwiseDeletion` `missingValueImputation`
`use_model_name`	booleano
`model_name`	Stringa
`confidence`	`onProbability` `onIncrease`
`score_category_probabilities`	indicatore
`max_categories`	numero
`score_propensity`	indicatore
`use_custom_name`	indicatore
`custom_name`	Stringa
`tooltip`	Stringa
`keywords`	Stringa
`annotation`	Stringa
`calculate_variable_importance`	booleano	Per i modelli che generano una misura appropriata dell'importanza è possibile visualizzare un grafico che indica l'importanza relativa di ogni predittore nella stima del modello. In genere, si consiglia di concentrare i propri sforzi di modellazione sui predittori che contano di più e di considerare la possibilità di eliminare o ignorare quelli che contano di meno.