신경망 적합 옵션
다음과 같은 모형 적합 옵션을 사용할 수 있습니다.
공변량 변환
Johnson Su 또는 Johnson Sb 분포를 사용하여 모든 연속형 변수를 정규성에 가까운 변수로 변환합니다. 연속형 변수를 변환하면 이상치 또는 심하게 기울어진 분포가 미치는 부정적 영향을 줄이는 데 도움이 됩니다. 자세한 내용은 신경망 모형 옵션의 "변환된 공변량 저장" 옵션을 참조하십시오.
로버스트 적합
최소 제곱 대신 최소 절대 편차를 사용하여 모형을 훈련합니다. 이 옵션은 반응 이상치의 영향을 최소화하려는 경우에 유용합니다. 이 옵션은 연속형 반응에만 사용할 수 있습니다.
벌점 방법
벌점 방법을 지정합니다. 신경망에서 데이터가 과대적합되는 경향을 줄이기 위해 적합 프로세스에서 가능도에 대한 벌점을 통합합니다. 자세한 내용은 벌점 방법에서 확인하십시오.
투어 수
반복할 때마다 모수 추정값에 대한 랜덤 시작점을 다르게 사용하여 적합 프로세스를 다시 시작할 횟수를 지정합니다. 최량 검증 통계량을 제공하는 반복이 최종 모형으로 선택됩니다.
벌점 방법
벌점은 lp(bi)이며, 여기서 l는 벌점 모수이고 p( )는 벌점 함수라고 하는 모수 추정값의 함수입니다. 벌점 모수의 최적값을 찾기 위해 검증이 사용됩니다.
|
방법 |
벌점 함수 |
설명 |
|---|---|---|
|
제곱 |
|
대부분의 X 변수가 모형의 예측 능력에 기여한다고 생각되면 이 방법을 사용합니다. |
|
절대 |
|
X 변수의 개수가 많고 이 중 몇 개가 다른 변수보다 모형의 예측 능력에 더 많이 기여한다고 생각되면 두 방법 중 하나를 사용합니다. |
|
가중치 감소 |
|
|
|
벌점 없음 |
없음 |
벌점을 사용하지 않습니다. 많은 양의 데이터가 있고 적합 프로세스를 빠르게 진행하려는 경우 이 옵션을 사용할 수 있습니다. 그러나 이 옵션을 사용하면 벌점을 사용하는 모형보다 예측 성능이 낮은 모형이 생성될 수 있습니다. |
