propriétés de neuralnetworknode

Retourner à la version anglaise de la documentation

Dernière mise à jour : 04 oct. 2024

propriétés de neuralnetworknode

Icône du noeud Réseau de neurones Le noeud R. neurones est un modèle simplifié de la manière dont le cerveau humain traite les informations. Le fonctionnement de ce modèle repose sur la simulation d'un grand nombre d'unités de traitement simples interconnectées, qui sont en quelque sorte des versions abstraites de nos neurones. Les réseaux de neurones sont de puissants estimateurs de fonctions qui ne requièrent qu'une connaissance limitée en matière de statistiques ou de mathématiques.

Exemple

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")

Tableau 1. propriétés de neuralnetworknode
Propriétés `neuralnetworknode`	Valeurs	Description de la propriété
`targets`	[field1 ... fieldN]	Spécifie des champs cible.
`inputs`	[field1 ... fieldN]	Champs prédicteurs utilisés par le modèle.
`splits`	[field1 ... fieldN	Indique le champ ou les champs à utiliser pour la modélisation découpée.
`use_partition`	option	Si un champ de partition est défini, cette option assure que seules les données provenant de la partition d'apprentissage sont utilisées pour générer le modèle.
`continue`	option	Poursuivre le modèle d'apprentissage existant.
`objective`	`Standard` `Bagging` `Boosting` `psm`	`psm` est utilisé pour les jeux de données très volumineux et nécessite une connexion serveur.
`method`	`MultilayerPerceptron` `RadialBasisFunction`
`use_custom_layers`	option
`first_layer_units`	number
`second_layer_units`	number
`use_max_time`	option
`max_time`	number
`use_max_cycles`	option
`max_cycles`	number
`use_min_accuracy`	option
`min_accuracy`	number
`combining_rule_categorical`	`Voting` `HighestProbability` `HighestMeanProbability`
`combining_rule_continuous`	`MeanMedian`
`component_models_n`	number
`overfit_prevention_pct`	number
`use_random_seed`	option
`random_seed`	number
`missing_values`	`listwiseDeletion` `missingValueImputation`
`use_model_name`	Booléen
`model_name`	chaîne
`confidence`	`onProbability` `onIncrease`
`score_category_probabilities`	option
`max_categories`	number
`score_propensity`	option
`use_custom_name`	option
`custom_name`	chaîne
`tooltip`	chaîne
`keywords`	chaîne
`annotation`	chaîne
`calculate_variable_importance`	Booléen	Pour des modèles qui produisent une mesure appropriée d'importance, vous pouvez afficher un graphique qui indique l'importance relative de chaque prédicteur dans l'estimation du modèle. Généralement, vous voulez concentrer vos efforts de modélisation sur les prédicteurs qui comptent le plus, et envisager d'abandonner ou d'ignorer ceux qui comptent le moins.