原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
* 分析模式 整體正確判別率 LDA 75.69% ANNs 83.92% MARS 80.78% CART 67.84% 整合模式 86.67% 陳姍霓(民93) 整合類神經網路、多元適應性雲形迴歸與分類迴歸樹於信用評等模式之建構-以房屋貸款為例 BPN MARS在其他論文之成效比較(5) * 分析模式 整體正確判別率 鑑別分析 56.81% 羅吉斯迴歸 60.51% 人工類神經網路 81.63% 多元適應性雲形迴歸 88.49% BPN MARS在其他論文之成效比較(6) 林正剛(民93) 非營利組織顧客流失率分析模式之研究－以YMCA台北萬華會所為例 * 報告心得 DATA MINING在分類上的工具 MARS的整體績效是比BPN好 若能以MARS求得變數當作BPN的輸入值，則績效更好 BPN MARS 優缺點 人工類神經網路 多元適應性雲形迴歸 優 點 ◎擁有巨大的平行處理、快速修補資訊、依經驗辨認結構與處理能力。 ◎沒有假設限制，具備建構非線性模式優越性。 ◎沒有假設限制，具備建構非線性模式優越性。 ◎能篩選重要影響變數。 缺 點 ◎參數設定沒有一致理論可供運用。 ◎模式訓練過程缺乏效率且費時。 ◎無法篩選重要影響變數。 ◎解釋方程式的數量沒有一定的準則。 * 謝謝！ 歡迎指教！ * * * * * * * * * 倒傳遞類神經網路實例(2) Errj = Oj(1-Oj)(Tj-Oj) 神經元 Tj 與實際值Tj 比較 公式 6 1 0.474 * (1 – 0.474)(1 – 0.474) = 0.1311 5 0.1311 0.525 * (1- 0.525)(0.1311)(– 0.2) = - 0.0065 4 0.1311 0.332 * (1 – 0.332)(0.1311)(-0.3) = -0.0087 Errj = Oj(1-Oj)( Errkwjk) k ? 權數常數 初值 學習率與修正公式 修正結果 w46 -0.3 Learning rate(L) =0.9 wij = wij + (L)ErrjOi θj = θj + (L)Errj -0.3+(0.9)(0.1311)(0.332) = -0.261 w56 -0.2 -0.2+(0.9)(0.1311)(0.525) = -0.138 w14 0.2 0.2+(0.9)(-0.0087)(1) = 0.192 w15 -0.3 -0.3+(0.9)(-0.0065)(1) = -0.306 w24 0.4 0.4+(0.9)(-0.0087)(0) = 0.4 w25 0.1 0.1+(0.9)(-0.0065)(0) = 0.1 w34 -0.5 -0.5+(0.9)(-0.0087)(1) = -0.508 w35 0.2 0.2+(0.9)(-0.0065)(1) = 0.194 θ4 -0.4 0.1+(0.9)( 0.1311)= -0.261 θ5 0.2 0.2+(0.9)(-0.0065)= 0.194 θ6 0.1 -0.4+(0.9)(-0.0087)= -0.408 類神經網路（續） 運算流程 收 集 資 料 * 選 擇 預 測 變 數 決 定 網 路 參 數 及 結 構 預 測 變 輸 數 入 與 網 目 路 標 值 計 算 並 調 整 鍵 結 權 重 計 算 誤 差 值 符 合 終 止 條 件 否 是 預 測 研究方法－類神經網路 * 實證研究－類神經網路資料分析 倒傳遞類神經網路架構 隱藏層數目：單一隱藏層 輸入層神經元數目：n（即預測變數個數） 隱藏層神經元數目： 依根均方誤差(RMSE)為判斷標準， 採用2n-2、2n-1、2n、2n+1、2n+2 等五種情形進行比較分析 選擇輸入變數： 各變數之前8季季資料(結果) 包含81個輸入變數，以0.005、0.01、0.03、0.07的學習率 各變數之前4季季資料(結果) 包含41個輸入變數，以0.001、0.005、0.01、0.02的學習率 * 實證研究－類神經網路資料分析 隱藏層數目 學習率 訓練資料RMSE 測試資料RMSE 160 0.005 0.057585 0.625547 0.01 0.032974 0.64041 0.03 0.014991 0.644244 0.07 0.008926 0.650593 161 0.005 0.058485 0.621887 0.01 0.032928 0.634851 0.03 0.01524 0.671125 0.07 0.66666
文档评论（0）