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。

Figure 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 

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。