ニューラルのあてはめに関するオプション
モデルのあてはめに関する以下のオプションを使用できます。
説明変数の変換
連続尺度の説明変数をすべて、Johnson Su分布またはJohnson Sb分布で変換し、正規分布に近づけます。この変数変換によって、外れ値や歪んだ分布が与える悪影響を抑えることが期待できます。ニューラルモデルのオプションの［変換した共変量の保存］オプションを参照してください。
ロバストなあてはめ
最小2乗ではなく、最小絶対偏差によってモデルの学習を行います。応答変数に外れ値がある場合に、このオプションは外れ値の影響を小さくします。連続尺度の応答にのみ使用できます。
ペナルティの手法
ペナルティ（罰則）の種類を選択します。ニューラルネットワークには、データに過剰適合（オーバーフィット、過学習）する傾向があります。尤度にペナルティを課すことにより、その傾向を軽減できます。ペナルティの手法を参照してください。
ツアーの数
最適化計算全体を繰り返す回数を指定します。指定されたツアーの回数だけ、初期値を乱数で決めて、パラメータを推定します。そのなかで検証セットの適合度統計量が最良のものを最終的なモデルとして選びます。
ペナルティの手法
ペナルティは、lp(bi)です。ここで、lはペナルティパラメータで、p( )は、ペナルティ関数と呼ばれるパラメータ推定値の関数です。ペナルティパラメータの最適値は、検証セットで評価することにより推定されます。
|
手法 |
ペナルティ関数 |
説明 |
|---|---|---|
|
2乗 |
|
X変数のほとんどが応答に影響していると考えられる場合に使用してください。 |
|
絶対 |
|
X変数の数が多く、そのうちの少数だけが応答につよく影響していると考えられる場合には、この2つの手法のいずれかを使用してください。 |
|
重み減衰 |
|
|
|
ペナルティなし |
なし |
ペナルティを課しません。データが大規模で、処理時間を短くしたい場合には、このオプションを使用します。ただし、ペナルティを課さないと、モデルが学習データに過剰適合（オーバーフィット、過学習）してしまい、予測能力が低くなるかもしれません。 |
