SPSS—神經網絡PPT課件.pptx

SPSS 神經網絡 2020 2 4 1 神經網絡 神經網絡是一個非線性的數據建模工具集合 它包括輸入層和輸出層 一個或者多個隱藏層 神經元之間的連接賦予相關的權重 訓練算法在迭代過程中不斷調整這些權重 從而使得預測誤差最小化并給出預測精度 您可以設置網絡的訓練條件 從而控制訓練的停止條件以及網絡結構 或者讓算法自動選擇最優(yōu)的網絡結構 2020 2 4 2 神經網絡 在許多領域 都可以將SPSS神經網絡和其他的統(tǒng)計分析過程結合起來 獲得更深入 清晰的洞察力 例如 在市場研究領域 可以建立客戶檔案發(fā)現客戶的偏好 在數據庫營銷領域 可以進行客戶細分 優(yōu)化市場活動的響應 在金融分析方面 可以使用SPSS神經網絡分析申請人的信用狀況 探測可能的欺詐 在運營分析方面 也可以使用這個新工具管理現金流 優(yōu)化供應鏈 此外 在科學和醫(yī)療方面的應用包括預測醫(yī)療費用 醫(yī)療結果分析 預測住院時間等 2020 2 4 3 神經網絡 SPSS神經網絡 包括多層感知器 MLP 或者徑向基函數 RBF 兩種方法 這兩種方法都是有監(jiān)督的學習技術 也就是說 他們根據輸入的數據映射出關系 這兩種方法都采用前饋結構 意思是數據從一個方向進入 通過輸入節(jié)點 隱藏層最后進入輸出節(jié)點 你對過程的選擇受到輸入數據的類型和網絡的復雜程度的影響 此外 多層感知器可以發(fā)現更復雜的關系 徑向基函數的速度更快 MLP可以發(fā)現更復雜的關系 而通常來說RBF更快 2020 2 4 4 神經網絡 使用這兩種方法的任何一種 您可以將數據拆分成訓練集 測試集 驗證集 訓練集用來估計網絡參數 測試集用來防止過度訓練 驗證樣本用來單獨評估最終的網絡 它將應用于整個數據集和新數據 2020 2 4 5 多層感知器實例分析 首先產生隨機數來選擇樣本數據集 選菜單 轉換 Transform 隨機數生成器 RandomNumberGenerators 彈出對話框如圖1 選擇 設置起點 SetStartingPoint 選中 固定值 FixedValue 填入9191972 然后單擊確定 OK 2020 2 4 6 多層感知器實例分析 圖1 2020 2 4 7 多層感知器實例分析 菜單 轉換 Transform 計算變量 ComputeVariable 彈出對話框如圖2在 目標變量 TargetVariable 中填入變量名partition 然后在 數學表達式 NumericExpression 填入計算表達式2 RV BERNOULLI 0 7 1 此公式用于產生bernoulli分布數據 數據集名稱為partition設置完成后單擊確定 OK 2020 2 4 8 多層感知器實例分析 圖2 2020 2 4 9 多層感知器實例分析 生成隨機數后 選菜單 分析 Analyze 神經網絡 NeuralNetwork 多層感知器 MultilayerPerceptron 彈出對話框如圖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 多層感知器實例分析 圖3 2020 2 4 11 多層感知器實例分析 選擇 分區(qū) Partition 彈出對話框如圖4 選中 使用分區(qū)變量分配個案 UsePartitionVariabletoAssignCases 然后選中變量partition到 分區(qū)變量 PartitioningVariable 中 2020 2 4 12 2020 2 4 13 多層感知器實例分析 圖4 2020 2 4 14 多層感知器實例分析 單擊 輸出 Output 標簽 彈出如圖5選擇 ROC曲線 ROCCurve 累積增益曲線 CumulativeGainsChart 增益圖 LiftChart 觀察預測值 PrdictedbyObservedChart 去掉 圖表 Diagram 最后選擇 自變量重要性分析 IndependentVariableImportAnalysis 選項欄 然后 單擊 確定 OK 按鈕進行分析 2020 2 4 15 多層感知器實例分析 圖5 2020 2 4 16 多層感知器實例分析 結果 2020 2 4 17 多層感知器實例分析 2020 2 4 18 多層感知器實例分析 2020 2