SPSS—神經(jīng)網(wǎng)絡(luò)PPT課件.pptx

SPSS 神經(jīng)網(wǎng)絡(luò) 2020 2 4 1 神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性的數(shù)據(jù)建模工具集合 它包括輸入層和輸出層 一個(gè)或者多個(gè)隱藏層 神經(jīng)元之間的連接賦予相關(guān)的權(quán)重 訓(xùn)練算法在迭代過程中不斷調(diào)整這些權(quán)重 從而使得預(yù)測(cè)誤差最小化并給出預(yù)測(cè)精度 您可以設(shè)置網(wǎng)絡(luò)的訓(xùn)練條件 從而控制訓(xùn)練的停止條件以及網(wǎng)絡(luò)結(jié)構(gòu) 或者讓算法自動(dòng)選擇最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu) 2020 2 4 2 神經(jīng)網(wǎng)絡(luò) 在許多領(lǐng)域 都可以將SPSS神經(jīng)網(wǎng)絡(luò)和其他的統(tǒng)計(jì)分析過程結(jié)合起來 獲得更深入 清晰的洞察力 例如 在市場(chǎng)研究領(lǐng)域 可以建立客戶檔案發(fā)現(xiàn)客戶的偏好 在數(shù)據(jù)庫營(yíng)銷領(lǐng)域 可以進(jìn)行客戶細(xì)分 優(yōu)化市場(chǎng)活動(dòng)的響應(yīng) 在金融分析方面 可以使用SPSS神經(jīng)網(wǎng)絡(luò)分析申請(qǐng)人的信用狀況 探測(cè)可能的欺詐 在運(yùn)營(yíng)分析方面 也可以使用這個(gè)新工具管理現(xiàn)金流 優(yōu)化供應(yīng)鏈 此外 在科學(xué)和醫(yī)療方面的應(yīng)用包括預(yù)測(cè)醫(yī)療費(fèi)用 醫(yī)療結(jié)果分析 預(yù)測(cè)住院時(shí)間等 2020 2 4 3 神經(jīng)網(wǎng)絡(luò) SPSS神經(jīng)網(wǎng)絡(luò) 包括多層感知器 MLP 或者徑向基函數(shù) RBF 兩種方法 這兩種方法都是有監(jiān)督的學(xué)習(xí)技術(shù) 也就是說 他們根據(jù)輸入的數(shù)據(jù)映射出關(guān)系 這兩種方法都采用前饋結(jié)構(gòu) 意思是數(shù)據(jù)從一個(gè)方向進(jìn)入 通過輸入節(jié)點(diǎn) 隱藏層最后進(jìn)入輸出節(jié)點(diǎn) 你對(duì)過程的選擇受到輸入數(shù)據(jù)的類型和網(wǎng)絡(luò)的復(fù)雜程度的影響 此外 多層感知器可以發(fā)現(xiàn)更復(fù)雜的關(guān)系 徑向基函數(shù)的速度更快 MLP可以發(fā)現(xiàn)更復(fù)雜的關(guān)系 而通常來說RBF更快 2020 2 4 4 神經(jīng)網(wǎng)絡(luò) 使用這兩種方法的任何一種 您可以將數(shù)據(jù)拆分成訓(xùn)練集 測(cè)試集 驗(yàn)證集 訓(xùn)練集用來估計(jì)網(wǎng)絡(luò)參數(shù) 測(cè)試集用來防止過度訓(xùn)練 驗(yàn)證樣本用來單獨(dú)評(píng)估最終的網(wǎng)絡(luò) 它將應(yīng)用于整個(gè)數(shù)據(jù)集和新數(shù)據(jù) 2020 2 4 5 多層感知器實(shí)例分析 首先產(chǎn)生隨機(jī)數(shù)來選擇樣本數(shù)據(jù)集 選菜單 轉(zhuǎn)換 Transform 隨機(jī)數(shù)生成器 RandomNumberGenerators 彈出對(duì)話框如圖1 選擇 設(shè)置起點(diǎn) SetStartingPoint 選中 固定值 FixedValue 填入9191972 然后單擊確定 OK 2020 2 4 6 多層感知器實(shí)例分析 圖1 2020 2 4 7 多層感知器實(shí)例分析 菜單 轉(zhuǎn)換 Transform 計(jì)算變量 ComputeVariable 彈出對(duì)話框如圖2在 目標(biāo)變量 TargetVariable 中填入變量名partition 然后在 數(shù)學(xué)表達(dá)式 NumericExpression 填入計(jì)算表達(dá)式2 RV BERNOULLI 0 7 1 此公式用于產(chǎn)生bernoulli分布數(shù)據(jù) 數(shù)據(jù)集名稱為partition設(shè)置完成后單擊確定 OK 2020 2 4 8 多層感知器實(shí)例分析 圖2 2020 2 4 9 多層感知器實(shí)例分析 生成隨機(jī)數(shù)后 選菜單 分析 Analyze 神經(jīng)網(wǎng)絡(luò) NeuralNetwork 多層感知器 MultilayerPerceptron 彈出對(duì)話框如圖3選擇變量PreviouslyDefault default 到 因變量 DependentVariables 選擇變量Leveleducation ed 到 因子 Factors 選擇變量age employ address income debtinc creddebt othdebt到協(xié)變量 Covariates 2020 2 4 10 多層感知器實(shí)例分析 圖3 2020 2 4 11 多層感知器實(shí)例分析 選擇 分區(qū) Partition 彈出對(duì)話框如圖4 選中 使用分區(qū)變量分配個(gè)案 UsePartitionVariabletoAssignCases 然后選中變量partition到 分區(qū)變量 PartitioningVariable 中 2020 2 4 12 2020 2 4 13 多層感知器實(shí)例分析 圖4 2020 2 4 14 多層感知器實(shí)例分析 單擊 輸出 Output 標(biāo)簽 彈出如圖5選擇 ROC曲線 ROCCurve 累積增益曲線 CumulativeGainsChart 增益圖 LiftChart 觀察預(yù)測(cè)值 PrdictedbyObservedChart 去掉 圖表 Diagram 最后選擇 自變量重要性分析 IndependentVariableImportAnalysis 選項(xiàng)欄 然后 單擊 確定 OK 按鈕進(jìn)行分析 2020 2 4 15 多層感知器實(shí)例分析 圖5 2020 2 4 16 多層感知器實(shí)例分析 結(jié)果 2020 2 4 17 多層感知器實(shí)例分析 2020 2 4 18 多層感知器實(shí)例分析 2020 2