1700500900
1700500901
❑联系的种类。神经网络模型中，输入变量可以有不同方向的结合，可以向前，可以向后，还可以平行。采用不同的结合方式，可能就会对模型的结果产生不同的影响。
1700500902
1700500903
❑联系的程度。在每一层中，其元素可以与他层中的元素完全联系，也可以部分联系。部分联系可以减少模型过度拟合的风险，但是也可能减弱模型的预测能力。
1700500904
1700500905
❑转换函数。转换函数也称为挤压函数，因为它能把从正无穷大到负无穷大的所有输入变量挤压为很小范围内的一个输出结果。这种非线性的函数关系有助于模型的稳定和可靠性。选择转换函数的标准很简单，即在最短时间内提供最好的结果函数。常见的转换函数包括阀值逻辑函数、双曲正切函数、S曲线函数等。
1700500906
1700500907
大部分神经网络模型的学习过程，都是通过不断地改变权重来使误差达到总误差的最小绝对值的。比如，以常见的前向型网络模型为例，其设计原理如下：
1700500908
1700500909
❑隐蔽层的层数。从理论上讲，两层就足够了；在实践中，经常是一层隐蔽层就足够了。
1700500910
1700500911
❑每层内的输入变量。输出层的变量由具体分析背景来决定；隐蔽层的数量为输入数与输出数的乘积开平方；输入层的数量应该尽量精简，遵循少而精的原则，这在后面要详细阐述。
1700500912
1700500913
❑联系的程度。一般都选择所有层次间全部联系。
1700500914
1700500915
❑转换函数。选用逻辑斯蒂函数为主要转换函数，因为逻辑斯蒂函数可以提供在最短时间内的最佳拟合。
1700500916
1700500917
❑模型开发样本要足够充分，避免过拟合现象发生。
1700500918
1700500919
[1]罗茂初.数据库营销[M].北京：经济管理出版社，2007
:239.
1700500920
1700500921
1700500922
1700500923
1700500925
数据挖掘与数据化运营实战：思路、方法、技巧与应用 10.1.2 神经网络的应用优势
1700500926
1700500927
在数据挖掘实践应用中，人工神经网络的应用主要有以下优点：
1700500928
1700500929
❑有良好的自组织学习功能。神经网络可以根据外界数据的变化来不断修正自身的行为，对未经训练的数据模式的分类能力也比较强。
1700500930
1700500931
❑有比较优秀的在数据中挑选非线性关系的能力，能有效发现非线性的内在规律。在纷繁复杂的业务实践中，数据间非线性关系出现的机会远比线性关系多得多，神经网络的这种有效发现非线性关系的能力，大大提高了其在数据化运营等各种商业实践中的应用价值和贡献潜力。
1700500932
1700500933
❑由于神经网络具有复杂的结构，因此在很多实践场合中其应用效果都明显优于其他的建模算法；它对异常值不敏感，这是个很不错的“宽容”个性。
1700500934
1700500935
❑对噪声数据有比较高的承受能力。
1700500936
1700500937
1700500938
1700500939
1700500941
数据挖掘与数据化运营实战：思路、方法、技巧与应用 10.1.3 神经网络技术的缺点和注意事项
1700500942
1700500943
虽然神经网络有上述这多优点，但是人无完人，金无足赤，它同样也有以下一些典型的不足之处需要引起数据分析师的注意：
1700500944
1700500945
❑神经网络需要比较长的模型训练时间，在面对大数据量时尤其如此。
1700500946
1700500947
❑对于神经网络模型来说少而精的变量才可以充分发挥神经网络的模型效率。但是，神经网络本身是无法挑选变量的。因此，对于神经网络的实际应用来讲，之前的变量挑选环节就必不可少了。虽然变量的选择对于任何一个模型的搭建来说都是很重要的环节，但是必须强调的是，对于神经网络模型来说尤为重要，这是由其复杂的内部结构决定的。
1700500948
1700500949
❑如果搭建模型后直接将其投入应用，可能会得不到想要的效果。为了确保模型投入应用后具有稳定的效果，最好先尝试几种不同的神经网络模型，经过多次验证后，再挑选最稳定的模型投入应用。
[
上一页 ]
[ :1.7005009e+09 ]
[
下一页 ]