您所在位置：网站首页 > 行业资料 > 其它行业文档SPSS—神经网络

SPSS—神经网络

22页

卖家[上传人]：油条

文档编号：34311681

上传时间：2018-02-23

文档格式：PPTX

文档大小：367.29KB

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

10 金贝

/ 22 举报版权申诉马上下载

文本预览

下载提示

常见问题

1、SPSS神经网络,神经网络,神经网络是一个非线性的数据建模工具集合，它包括输入层和输出层、一个或者多个隐藏层。神经元之间的连接赋予相关的权重，训练算法在迭代过程中不断调整这些权重，从而使得预测误差最小化并给出预测精度。您可以设置网络的训练条件，从而控制训练的停止条件以及网络结构，或者让算法自动选择最优的网络结构。,神经网络,在许多领域，都可以将SPSS神经网络和其他的统计分析过程结合起来，获得更深入、清晰的洞察力。例如，在市场研究领域，可以建立客户档案发现客户的偏好；在数据库营销领域，可以进行客户细分，优化市场活动的响应。在金融分析方面，可以使用SPSS神经网络分析申请人的信用状况，探测可能的欺诈。在运营分析方面，也可以使用这个新工具管理现金流、优化供应链。此外，在科学和医疗方面的应用包括预测医疗费用、医疗结果分析、预测住院时间等。,神经网络,SPSS神经网络，包括多层感知器（MLP）或者径向基函数（RBF）两种方法。这两种方法都是有监督的学习技术也就是说，他们根据输入的数据映射出关系。这两种方法都采用前馈结构，意思是数据从一个方向进入，通过输入节点、隐藏层最后进入输出节点。你对过程的

2、选择受到输入数据的类型和网络的复杂程度的影响。此外，多层感知器可以发现更复杂的关系，径向基函数的速度更快。MLP可以发现更复杂的关系，而通常来说RBF更快。,神经网络,使用这两种方法的任何一种，您可以将数据拆分成训练集、测试集、验证集。训练集用来估计网络参数。测试集用来防止过度训练。验证样本用来单独评估最终的网络，它将应用于整个数据集和新数据。,多层感知器实例分析,首先产生随机数来选择样本数据集，选菜单转换（Transform）-随机数生成器（Random Number Generators）-弹出对话框如图1-选择设置起点（Set Starting Point ）-选中固定值（Fixed Value）-填入9191972，然后单击确定（OK）。,多层感知器实例分析,图1,多层感知器实例分析,菜单转换（Transform）-计算变量（Compute Variable）,弹出对话框如图2在目标变量（Target Variable）中填入变量名partition，然后在数学表达式（Numeric Expression）填入计算表达式2*RV.BERNOULLI(0.7)-1，此公式用于产生

3、bernoulli分布数据，数据集名称为partition设置完成后单击确定（OK）,多层感知器实例分析,图2,多层感知器实例分析,生成随机数后，选菜单分析（Analyze）-神经网络（Neural Network）-多层感知器（Multilayer Perceptron）弹出对话框如图3选择变量Previously Defaultdefault到因变量（Dependent Variables）,选择变量Level educationed到因子（Factors）。选择变量age，employ，address，income，debtinc，creddebt，othdebt到协变量（Covariates）.,多层感知器实例分析,图3,多层感知器实例分析,选择分区（Partition）弹出对话框如图4，选中使用分区变量分配个案（Use Partition Variable to Assign Cases），然后选中变量partition到分区变量（Partitioning Variable）中。,多层感知器实例分析,图4,多层感知器实例分析,单击输出（Output）标签，弹出如图5选择ROC曲线（ROC Curve），累积增益曲线（Cumulative Gains Chart），增益图（Lift Chart ），观察预测值（Prdicted by Observed Chart），去掉图表（Diagram）。最后选择自变量重要性分析（Independent Variable Import Analysis）选项栏。然后，单击确定（OK）按钮进行分析。,多层感知器实例分析,图5,多层感知器实例分析,结果,多层感知器实例分析,多层感知器实例分析,多层感知器实例分析,多层感知器实例分析,多层感知器实例分析,谢谢观看！,

《SPSS—神经网络》由会员油条分享，可在线阅读，更多相关《SPSS—神经网络》请在金锄头文库上搜索。

点击阅读更多内容

TA的资源