vlastnosti neuralnetworknode

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

vlastnosti neuralnetworknode

Last updated: 04. 7. 2023

vlastnosti neuralnetworknode

Ikona Neury Net uzlu Uzel Neury Net používá zjednodušený model způsobu zpracování informací o lidských mozkových procesech. Působí tak, že simuluje velký počet vzájemně propojených jednoduchých procesních jednotek, které se podobají abstraktním verzím neuronů. Neuronové sítě jsou výkonné obecné funkce estimators a vyžadují minimální statistické nebo matematické znalosti pro vlak nebo pro použití.

Příklad

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")

Tabulka 1. Vlastnosti neuralnetworknode
`neuralnetworknode` Vlastnosti	Hodnoty	Popis vlastnosti
`targets`	[field1 ... fieldN]	Určuje cílová pole.
`inputs`	[field1 ... fieldN]	Pole predikátů použitá modelem.
`splits`	[field1 ... fieldN	Uvádí pole nebo pole, která se mají použít pro rozdělené modelování.
`use_partition`	příznak	Je-li definována pole oblasti, tato volba zajistí, že k sestavení modelu budou použita pouze data z oblasti odborné přípravy.
`continue`	příznak	Pokračujte ve školení stávajícího modelu.
`objective`	`Standard` `Bagging` `Boosting` `psm`	Produkt `psm` se používá pro velmi rozsáhlé datové sady a vyžaduje připojení k serveru.
`method`	`MultilayerPerceptron` `RadialBasisFunction`
`use_custom_layers`	příznak
`first_layer_units`	Číslo
`second_layer_units`	Číslo
`use_max_time`	příznak
`max_time`	Číslo
`use_max_cycles`	příznak
`max_cycles`	Číslo
`use_min_accuracy`	příznak
`min_accuracy`	Číslo
`combining_rule_categorical`	`Voting` `HighestProbability` `HighestMeanProbability`
`combining_rule_continuous`	`MeanMedian`
`component_models_n`	Číslo
`overfit_prevention_pct`	Číslo
`use_random_seed`	příznak
`random_seed`	Číslo
`missing_values`	`listwiseDeletion` `missingValueImputation`
`use_model_name`	typ boolean
`model_name`	řetězec
`confidence`	`onProbability` `onIncrease`
`score_category_probabilities`	příznak
`max_categories`	Číslo
`score_propensity`	příznak
`use_custom_name`	příznak
`custom_name`	řetězec
`tooltip`	řetězec
`keywords`	řetězec
`annotation`	řetězec
`calculate_variable_importance`	typ boolean	U modelů, které vytvářejí vhodné měřítko důležitosti, můžete zobrazit graf, který označuje relativní důležitost každého prediktoru při odhadování modelu. Zpravidla se budete chtít zaměřit na své modelovací úsilí na prediktory, které nejvíce záleží, a zvažte možnost zrušení nebo ignorování těch, které jsou nejméně.