予測モデルおよび発展的なモデル > ニューラルネットワーク > ニューラルプラットフォームの概要
公開日: 11/25/2021

ニューラルプラットフォームの概要

ニューラルネットワークの入力は、まず、隠れ層(中間層)の各ノードに定義された関数によって変換されます。そして、その変換された関数の結果が、さらに変換されて、出力となります。JMPでは、隠れ層を最大で2層、指定することができます。ここで、各隠れ層には、任意の数の隠れノードを含めることができます。

図3.2は、2つの隠れ層をもつニューラルネットワークです。X変数が3つ、Y変数が1つあります。まず、X変数が、左側の隠れ層(第2層)によって変換されます。次に、その結果が、右側の隠れ層(第1層)によって変換されます。そして、さらに、その結果を変換して、出力が求められます。

図3.2 ニューラルネットワークのダイヤグラム 

Neural Network Diagram

隠れ層の各ノードで使われる関数を、「活性化関数」といいます。活性化関数は、X変数の線形結合を変換したものです。活性化関数の詳細については、隠れ層の構造を参照してください。

応答で適用される関数は、連続尺度の応答に対しては単なる線形結合で、名義/順序尺度の応答に対してはロジスティック変換です。

ニューラルネットワークの長所は、応答曲面を柔軟にモデル化できることです。隠れノードと層の数が十分であれば、どんな曲面でも任意の精度で近似することができます。ニューラルネットワークモデルの主な欠点は、結果の解釈が簡単ではないということです。これは、通常の回帰のようにX変数からY変数への直接経路ではなく、中間層があるからです。

より詳細な情報が必要な場合や、質問があるときは、JMPユーザーコミュニティで答えを見つけましょう (community.jmp.com).