R - Menafsirkan plot jaringan saraf

8

Saya tahu ada pertanyaan serupa di stats.SE, tetapi saya tidak menemukan satu yang memenuhi permintaan saya; tolong, sebelum menandai pertanyaan sebagai duplikat, ping saya di komentar.

Saya menjalankan jaringan saraf berdasarkan neuralnetperkiraan seri waktu indeks SP500 dan saya ingin memahami bagaimana saya bisa menafsirkan plot yang diposting di bawah ini:

masukkan deskripsi gambar di sini

Khususnya, saya tertarik untuk memahami apa interpretasi dari berat lapisan tersembunyi dan bobot input; bisakah seseorang menjelaskan kepada saya bagaimana menafsirkan angka itu?

Petunjuk apa pun akan dihargai.

machine-learning r neural-network predictive-modeling forecast Quantopik
sumber
2
Berikut ini adalah artikel menarik yang berhubungan dengan pertanyaan Anda. labs.eeb.utoronto.ca/jackson/ecol.%20modelling%20ANN.pdf
MrMeritology
Terima kasih atas komentarnya, @MrMeritology! Saya menemukan itu sangat berguna!
Quantopik
Meskipun saya yakin Anda akan dapat memahami jaringan saraf ini (sangat sederhana), jika interpretabilitas adalah masalah yang relatif besar maka Anda mungkin tidak harus menggunakan jaringan saraf di tempat pertama. Apakah ada alasan khusus Anda memilih satu daripada algoritma lainnya?
David
Ya, @Hapus! Saya ingin belajar menggunakan model semacam ini. Saya tidak pernah menggunakannya dalam pekerjaan saya dan saya belajar itu hanya untuk bersenang-senang. Apakah Anda punya gagasan tentang menafsirkan plot?
Quantopik
saya butuh bantuan untuk menginterpretasikan analisis JST Siapa saja yang dapat membantu?
bright kalu

Jawaban:

7

Seperti yang dinyatakan David dalam komentar jika Anda ingin menafsirkan model, Anda mungkin ingin menjelajahi sesuatu selain jaring saraf. Yang mengatakan bahwa Anda ingin secara intuitif memahami plot jaringan, yang terbaik adalah memikirkannya sehubungan dengan gambar (sesuatu yang sangat baik di jaringan saraf).

  1. Node yang paling kiri (yaitu input node) adalah variabel data mentah Anda.
  2. Panah dalam warna hitam (dan angka-angka terkait) adalah bobot yang dapat Anda pikirkan sebagai seberapa besar kontribusi variabel tersebut ke node berikutnya. Garis biru adalah bobot bias. Anda dapat menemukan tujuan bobot ini dalam jawaban yang sangat baik di sini .
  3. Node tengah (yaitu apa pun antara input dan output nodes) adalah node tersembunyi Anda. Di sinilah analogi gambar membantu. Setiap node ini merupakan komponen yang dipelajari jaringan untuk dikenali. Misalnya hidung, mulut, atau mata. Ini tidak mudah ditentukan dan jauh lebih abstrak ketika Anda berurusan dengan data non-gambar.
  4. Node yang paling kanan (output node) adalah output akhir dari jaringan saraf Anda.

Perhatikan bahwa ini semua menghilangkan fungsi aktivasi yang akan diterapkan pada setiap lapisan jaringan juga.

cdeterman
sumber
Jawaban yang bagus @cdeterman! banyak hal yang tampaknya lebih jelas sekarang. Hal terakhir ... menurut Anda, bagaimana saya bisa menguji kemampuan model untuk memperkirakan output berdasarkan nilai input. Biarkan saya jelaskan lebih baik; dalam kasus saya menggunakan model logistik sederhana, saya dapat menggunakan vektor dan variabel independen untuk menghitung perkiraan variabel dependen. Dalam model jaringan saraf, bagaimana saya bisa melakukan ini? β
Quantopik
@ Quantopic Saya pikir Anda mengacu pada computefungsi dalam neuralnetpaket. Sumbernya tidak terlalu rumit jika Anda ingin melakukannya dengan tangan. Pada dasarnya Anda menerapkan bobot dan fungsi aktivasi di setiap lapisan untuk hasil akhir.
cdeterman