właściwości węzła 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

właściwości węzła neuralnetworknode

Last updated: 04 lip 2023

właściwości węzła neuralnetworknode

Ikona węzła sieci neuronowej Węzeł sieci neuronowej korzysta z uproszczonego modelu przetwarzania informacji przez ludzki umysł. Polega on na symulowaniu dużej liczby połączonych wzajemnie jednostek prostego przetwarzania, które przypominają abstrakcyjne wersje neuronów. Sieci neuronowe są estymatorami funkcji ogólnych o dużej wydajności, a do uczenia i stosowania ich wymagane jest tylko minimum wiedzy w zakresie statystyki lub matematyki.

Przykład

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")

Tabela 1. Właściwości węzła neuralnetworknode
Właściwości węzła `neuralnetworknode`	Wartości	Opis właściwości
`targets`	[field1 ... fieldN]	Określa zmienne przewidywane.
`inputs`	[field1 ... fieldN]	Predyktory używane przez model.
`splits`	[field1 ... fieldN	Określa zmienną lub zmienne używane do modelowania podziałów.
`use_partition`	Flaga	Jeśli zdefiniowano zmienną dzielącą na podzbiory, ta opcja umożliwia użycie podczas budowania modelu wyłącznie danych z podzbioru uczącego.
`continue`	Flaga	Kontynuuj uczenie istniejącego modelu.
`objective`	`Standard` `Bagging` `Boosting` `psm`	Wartość `psm` jest używana w przypadku bardzo dużych zbiorów danych i wymaga połączenia z serwerem.
`method`	`MultilayerPerceptron` `RadialBasisFunction`
`use_custom_layers`	Flaga
`first_layer_units`	Liczba
`second_layer_units`	Liczba
`use_max_time`	Flaga
`max_time`	Liczba
`use_max_cycles`	Flaga
`max_cycles`	Liczba
`use_min_accuracy`	Flaga
`min_accuracy`	Liczba
`combining_rule_categorical`	`Voting` `HighestProbability` `HighestMeanProbability`
`combining_rule_continuous`	`MeanMedian`
`component_models_n`	Liczba
`overfit_prevention_pct`	Liczba
`use_random_seed`	Flaga
`random_seed`	Liczba
`missing_values`	`listwiseDeletion` `missingValueImputation`
`use_model_name`	boolean (boolowskie)
`model_name`	łańcuch
`confidence`	`onProbability` `onIncrease`
`score_category_probabilities`	Flaga
`max_categories`	Liczba
`score_propensity`	Flaga
`use_custom_name`	Flaga
`custom_name`	łańcuch
`tooltip`	łańcuch
`keywords`	łańcuch
`annotation`	łańcuch
`calculate_variable_importance`	boolean (boolowskie)	W przypadku modeli generujących odpowiednią miarę ważności możliwe jest wyświetlenie tabeli wskazującej ważność względną każdego predyktora w procesie estymacji modelu. Zwykle użytkownik chce skoncentrować swoje wysiłki związane z modelowaniem na predyktorach, które są najbardziej istotne, i rozważyć usunięcie lub ignorowanie tych, które są najmniej ważne.