基于JMP的神经网络设计案例分析

基于JMP的神经网络设计案例分析

      摘  要：本文利用JMP对一个复杂多项式进行拟合，从实验设计产生样本数据、神经网络设计、训练样本技巧、到结果分析进行详细阐述。使读者能够使用JMP软件的神经网络分析工具，解决实际问题。

关键词：神经网络，JMP，数据分析

1.引言

 当前人工智能已经应用在很多领域，辅助人类解决了很多问题，神经网络作为人工智能的基础理论，近些年也得到飞速发展，也有了TensorFlow、Caffe、Chainer等机器学习框架，能够满足用户快速搭建应用。本文使用JMP软件提供的神经网络工具，对一个复杂多项式进行拟合，并对结果进行分析，便于提升大家对神经网络的直观认识。JMP是全球最大的统计学软件公司SAS推出了一种交互式可视化统计发现软件，被誉为“卓越绩效的统计发现引擎”，其主要有三个特点，一是具有操作简便、交互性强、可视化效果好的特点，专业版中还集成了预测、聚类、质量与过程、可靠性与生存、消费者研究等分析工具，适合非统计专业背景的数据分析人员使用，二是JMP还有强大的实验设计功能，几乎涵盖了所有主流的实验设计工具。三是提供强大的二次开发功能，JMP可以作为一个服务器引擎，提供调用接口，实现用户个性化需求，为用户节省大量复杂设计和计算。

2.样本产生

 神经网络的样本数据是基础，为了能够进行直观喝准确的对比神经网络的学习效果，使用下述多项式产生样本数据，再利用神经网络进行学习训练。

 使用JMP进行可视化，得到图1，显示了对应Z的效果。

图1 多项式可视化效果图

 使用JMP的实验设计功能，对曲面进行抽样，为了计算快速，使用空间填充设计的快速灵活填充设计方法，输入需要的样本数量，即可均匀产生样本空间。

 图2 通过JMP实验设计得出1000个样本点。

 产生样本点以后，使用多项式进行计算，得出进行学习的样本点，神经网络通过学习样本数据，拟合出模型。（注：使用该多项式，目的是为了产生准确的样本数据，神经网络中不需要这个多项式模型）。

3.神经网络的设计

神经网络本质是高维模型的拟合，也是一种回归思想，找一个模型来对多维数据进行拟合，但这个模型不是经典的线性模型、二次模型、或者指数模型等，而是一组矩阵参数，通过修改参数来使得样本值与实际值的误差最小，或者误差稳定。在JMP中，设计神经网络结构主要是要设计隐层的数量和每一层的节点数量。理论上节点和层数越多，拟合效果越好，但是层数和节点越多，计算量越大，容易导致过拟合。JMP中提供了2个隐藏层、三种激活函数，可以根据具体情况进行选择和设计。

      

图3 JMP中神经网络工具界面

3.1设计基本原则

首先确定网络层数、然后确定节点个数。网络层次在大多数情况下，使用1个隐藏就够，不宜太多。节点个数一般从3个开始，不断增加，如果维度比较多，那么节点个数一般要大于维度，后面层次的节点个数不宜太多。这些原则并没有什么科学依据，都是同行的经验。

然后是训练结果分析，通过观察测试误差，是否达到我们的精度要求来衡量神经网络的优劣，是否需要改进。训练结果中主要关注训练集和验证集的R平方这个指标，被称为判定系数，是衡量拟合效果的重要参数。R平方的范围是[0，1] ，越趋近1，说明拟合效果越好，越趋近与0，效果越差。另外，还可以把预测值与实际值进行可视化比较，直观比较预测效果。

最后，修正网络结构。通过多次训练，循环迭代修正网络结构，使得网络达到最稳定状态。

3.2 设计案例

为了对比各种设计的优劣，根据JMP提供的实验环境，下面进行三组实验。

实验一：使用1000个样本数据进行学习训练结果，其中验证集是使用了其中20%的样本作为交叉验证，为便于对比，设定随机数种子。下面实验主要是验证各种激活函数的性能、以及节点数量对拟合效果的影响。

表1 不同激活函数、节点数量对拟合效果数据

次数	激活函数	隐藏层数	第一层 节点个数	第二层 节点个数	训练集 R平方	测试集 R平方
1	TanH	1	3	0	0.8651	0.8554
2	恒等线性	1	3	0	0.0006	0.0018
3	径向高斯	1	3	0	0.9347	0.9241
4	TanH	1	5	0	0.9498	0.9407
5	恒等线性	1	5	0	0.2095	0.1945
6	径向高斯	1	5	0	0.9652	0.9653
7	TanH	1	7	0	0.9596	0.9473
8	恒等线性	1	7	0	0.0003	0.0005
9	径向高斯	1	7	0	0.9726	0.9750
10	TanH	1	9	0	0.9771	0.9559
11	恒等线性	1	9	0	0.0008	0.0017
12	径向高斯	1	9	0	0.9873	0.9841
13	TanH	1	11	0	0.9764	0.9791
14	恒等线性	1	11	0	0.0008	0.0017
15	径向高斯	1	11	0	0.9914	0.9851
16	TanH	1	13	0	0.9802	0.9849
17	恒等线性	1	13	0	0.0003	0.0008
18	径向高斯	1	13	0	0.9937	0.9856

 为了便于对比，使用JMP的图形生成器，对上述表格进行叠加可视化，效果如图

 

图4 三种激活函数、节点数量对拟合效果的对比。

 图中我们可以看出，使用线性的激活函数效果最差，即使是节点数量增加，也没有明显提升，对于TanH和径向高斯两张激活函数无明显差异，径向高斯激活函数相对比较稳定，当节点数量增加到一定程度后，无明显差异。

 实验二：从实验一中 可以看出线性激活函数的拟合能力很差，不适合本实验样本，因此下属实验只使用其余两种激活函数。JMP提供了2个隐层设计，下面的实验中，增加一个隐藏层。

 表2 使用2个隐层结构后不同节点数量拟合效果数据

	激活函数	隐藏层数	第一层 节点个数	第二层 节点个数	训练集 R平方	测试集 R平方
1	TanH	2	3	3	0.9372	0.9321
2	径向高斯	2	3	3	0.9711	0.9827
3	TanH	2	3	4	0.9909	0.9849
4	径向高斯	2	3	4	0.9347	0.9241
5	TanH	2	3	5	0.9915	0.9943
6	径向高斯	2	3	5	0.9974	0.9979
7	TanH	2	3	6	0.9923	0.9911
8	径向高斯	2	3	6	0.9903	0.9906
9	TanH	2	3	7	0.9975	0.9971
10	径向高斯	2	3	7	0.9367	0.9966

 

 实验三：交换两个隐层节点的数量，观察对拟合度的影响

 表3 交换2个隐层点数量拟合效果数据

	激活函数	隐藏层数	第一层 节点个数	第二层 节点个数	训练集 R平方	测试集 R平方
1	TanH	2	3	3	0.9372	0.9321
2	径向高斯	2	3	3	0.9711	0.9827
3	TanH	2	4	3	0.9670	0.9723
4	径向高斯	2	4	3	0.9347	0.9241
5	TanH	2	5	3	0.9920	0.9913
6	径向高斯	2	5	3	0.9980	0.9987
7	TanH	2	6	3	0.9820	0.9736
8	径向高斯	2	6	3	0.9963	0.9947
9	TanH	2	7	3	0.9941	0.9953
10	径向高斯	2	7	3	0.9972	0.9949

 

 从表2、3中我们可以看出，R平方的值是随节点的数量增加而增加，但节点增加到一定数量后，R平方的值变化不大，因此在设计节点数量时，当R平方的值稳定到一定范围后，就没有必要再继续增加节点数量，因为节点数量增加，会导致后期学习训练的运算量成急剧增加。隐藏层节点的数量交换后，对结果影响不大。

                                                              

图5 两种激活函数、节点数量对拟合效果叠加对比

 从图5中可以看出，在本实验中当R平方到达0.99后，基本趋于稳定。所以，我们确定网络层的节点第一层位5个，第二层为3个，网络结构如下图6.

                                                             

图6  网络结构

 网络结构确定后，就可以使用神经网络的模型进行预测和分析。在JMP里面，训练结束后，点击模型左边的红色小三角，点击“发布预测公式”，在出来的对话框中，点击神经左边的红色小三角，点击“运行脚本”，选择数据对话框，预测出来的结果，就保存在当前现在的数据表后面几列，列名加上了“Predicted”前缀。

 

图7  JMP中使用神经网络模型进行预测示意图

 

4.神经网络结论分析

 有了预测数据和真是数据，可以使用JMP中提供的“叠加图”来进行可视化分析，右图中“+”符号表示预测结果，“O”表示实际结果，从图中可以看出，大部分点都比较吻合，说明预测效果良好。

 

图7  JMP中使用叠加图对比预测结果和实际结果示意图

 为了更加直观看到神经网络的预测效果，还可以用JMP提供的曲面图工具，对真实值和预测值进行可视化，观察二者的效果，如图８，作图为实际多项式的可视化效果，右图为通过神经网络学习后预测出来的效果。

                                               

图８ JMP中使用叠加图对比预测结果和实际结果示意图

4　总结

　　JMP中提供了丰富数据分析工具，其中的神经网络工具比较使用，用户可以不必了解神经网络内部复杂的计算和推导过程，只需要了解其工作原理，设计原则和评价标准即可。本文使用一个复杂二维多项式例子，神经网络的设计和使用进行详细的阐述，有助于大家理解和使用神经网络，为大家提供一种分析高维数据模型拟合的方法。