请问在神经网络建模中，“interrogation of model”是什么意思

Ryuichi-Dong

我描述一下背景，作者用高效液相色谱法分析一种药物的保留时间，根据结果采用ANN与RSM的多元回归分别建模，比较优劣。

RSM用了两因子（pH和甲醇浓度）三水平+一个中心点，共十次实验建模（Tab.2）；

而ANN在此基础上又添加了4次实验（Tab.1）。

作者对之所以这样做的原因描述如下：
In order to test the predictions of the ANN and
RSM five additional experiments were performed.
The factor levels of the input variables were cho-
sen so that they were within the range of the
training experimental data. This operation is
called interrogation of the model.

想问一下这里为什么要这么做呢？

小弟刚接触ANN，学艺不精，请多指教

xuzhan

Ryuichi-Dong 发表于 2020-5-28 13:46
还有一个小问题：关于RSM失拟，那个失拟误差不是远远小于纯误差吗？怎么会失拟呢

哦，贴图贴错了，出于个人好奇，我拿Table-1的原始数据，用JMP试了下，以响应A为例

Ryuichi-Dong

xuzhan

出于个人兴趣泛读了下您的附件文献。
首先，是对于疑问处的个人理解。
1. 作者在文中也提到了，在机器学习中，通常以训练集（书本）训练模型，验证集（作业）进行模型诊断调优，测试集（考试）进行终极考核评价，来防止观测数据既是运动员又是裁判员的问题。2. 因此，提问所指的“...five additional experiments were performed....interrogation of the model”，在某种程度上相当于测试集的意思，即用10次实验训练“不同”模型，再分别用到这5次额外实验上进行测试，从而评估不同模型的泛化（推广）能力，寻求所谓的“偏差-方差”均衡，其设置目的和评价原则原文其实已写的很清楚。



3. 基于上述“2”的原则和Table-4的结果汇总，作者最终选择了“ANN with 10 hidden neurons at 15 000 training cycles”Model（因为ERR%最小，即泛化能力最好），并在Table-1进行了结果呈现



然后，对于本例相对十分简单的二维（两个X）系统而言，个人认为作者尝试使用“神经网络”或多或少有点大材小用的意思，或者是出于更容易发表的目的...^^。因为稍微审视一下他的RSM Model，其实可以发现存在“失拟”的现象（Table-3），那么，以一个相对存在瑕疵的Model去和一个相对训练充分乃至有余的Model比较，当然就预测效果而言后者会胜出。



如果您有兴趣，以响应A为例，不妨拿作者Table-1的原始数据，拟合一个包含一些3阶效应项的模型，就可以看到明显的改进效果，并且预测效果和作者选择的Neural Model相差无几。因此，个人并不建议一味地寻求所谓的前沿与高级，适合就好~

以上，仅供参考~

Ryuichi-Dong

xuzhan 发表于 2020-5-27 18:47
出于个人兴趣泛读了下您的附件文献。
首先，是对于疑问处的个人理解。
1. 作者在文中也提到了，在机器学 ...

感谢xuzhan前辈，学习了！

Ryuichi-Dong

xuzhan 发表于 2020-5-27 18:47
出于个人兴趣泛读了下您的附件文献。
首先，是对于疑问处的个人理解。
1. 作者在文中也提到了，在机器学 ...

还有一个小问题：关于RSM失拟，那个失拟误差不是远远小于纯误差吗？怎么会失拟呢

Ryuichi-Dong

xuzhan 发表于 2020-5-27 18:47
出于个人兴趣泛读了下您的附件文献。
首先，是对于疑问处的个人理解。
1. 作者在文中也提到了，在机器学 ...

前辈，还想问一下，因为我想用神经网络结合自身专业发论文，但是还想学一些关于神经网络更深入的东西，前辈有什么好的建议或者书籍视频推荐吗。之前在b站上看了一些讲神经网络概念性的东西。但一具体落实到操作层面的话，会结合python那些编程软件来讲，所以有些找不到方向。

xuzhan

Ryuichi-Dong 发表于 2020-6-4 17:45
前辈，还想问一下，因为我想用神经网络结合自身专业发论文，但是还想学一些关于神经网络更深入的东西，前 ...

您好，就目前个人认知，神经网络也是一个十分宽泛的概念，通常市面上所言的神经网络大多属于深度学习的范畴，多用于图像和文字识别领域，而您文献中所涉及的和JMP当前的神经平台属于人工神经网络（ANN）的范畴，即入门级。
对于一般的工程、医药、临床等领域的复杂建模而言，ANN也足以适配，这方面很多CSDN的高阅读量文章，JMP Community上的海外相关公开教学课程，以及国内一些付费网络课程，个人认为已经够用，都可以参考。