SPSS 神经网络TM17.0 – 说明书

建立预测模型的新工具
您的组织需要从复杂多变的业务中发现潜在的模式和联 系，做出更好的决定。您可能正在使用SPSS Statistics Base 和它的一个或者几个附加模块来帮助您做这些事情。如果 这样，您已经知道了它的强大和多功能性。但是，您可以 做得更多。 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。

从始至终控制整个过程
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。

使用SPSS神经网络，可以帮助您探索数据中微妙或者隐藏 的模式。这个附加模块可以帮助您发现数据中更复杂的关 系，产生更有效果的预测模型。 SPSS神经网络是对SPSS Statistics Base以及附加模块中传统 统计方法的一个补充。您可以使用SPSS神经网络发现数据 中间的新关系，然后用传统的统计技术检验其显著性。

SPSS神经网络可以仅仅作为客户端软件安装，但是为了得 到更好的性能和扩展性，它也可以与SPSS Statistics Base Sever一起作为Client/Server安装。

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，

为什么要使用神经网络？
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。在许多领 域，您都可以将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，你可以建立客户档案发现客户的偏好；在数据库营销 领域，您可以进行客户细分，优化市场活动的响应。

它将应用于整个数据集和新数据。

您设置的因变量可以是连续型、分类型或者两者的组合。 如果因变量是连续型，神经网络预测的连续值是近似于输 入数据的某个连续函数的“真实”值。如果因变量是分类 型，神经网络会根据输入数据，将记录划分为最适合的类 别。

您可以通过选择分析中拆分数据集，网络结构的排序，计 算方法等调整神经网络程序。最后，您可以通过图形或者 表格，在当前活动的数据集中保存可选的临时变量，并且

在金融分析方面，您可以使用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，您也可以 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。

将模型导出成XML格式对新的数据进行打分。

– 相对记录数来随机分配测试样本 – 相对记录数来随机分配验证样本 – 使用变量对样本进行拆分

用神经网络技术探索数据的结果可以用多种图形格式 在多层感知（MLP）对话框中，你可以选择你想包含 在模型中的变量。 特性 多层感知器(MLP)
MLP通过多层感知器来拟和神经网络。多层感知器是一个前 馈式有监督的结构。它可以包含多个隐藏层。一个或者多 个因变量，这些因变量可以是连续型、分类型、或者两者 的结合。如果因变量是连续型，神经网络预测的连续值是 输入数据的某个连续函数。如果因变量是分类型，神经网 络会根据输入数据，将记录划分为最适合的类别。
■

表示。这个简单的条形图是多种选择中的一种。

预测

– 因子 – 协变量
■

选项“除外”列出MLP中需要排除的因子或者协变量。当 因子或者协变量包含大量的变量时，这个选项很有用。

■

选项“缩放” 对协变量和因变量进行变换

– 因变量 (如果需要变换)：标准化，正态化，调整的正态 化，或者无 – 协变量：标准化，正态化，调整的正态化，或者无
■

所示的多层感知器，数据前馈式通过输入层、隐藏层 传递到输出层。
■

选项“拆分”用来设定对当前活动数据集的拆分方法。