类神经网络节点.pptxVIP

BP（Back-Propagation）神经网络模型什么是神经网络模型？ 定义：神经网络，有时也称作多层感知器（MLPs），本质上是人脑处理信息方式的简化模型。它通过模拟大量相互连接的简单处理单元工作，这些处理单元好像神经元的抽象化版本。。BP神经网络模型三层BP网络 经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。类神经网络节点 类神经网络节点用于创建并训练类神经网络。类神经网络，有时也称作多层感知器，本质上是人脑处理信息方式的简化模型。 要求：对字段类型没有限制。类神经网络可以处理数值型、字符型以及卷标型输入输出字段。类神经网络节点要求一个或更多字段有“In”方向，以及一个或更多字段有“Out”方向。设置为Both 或者None 的字段将被忽略。在执行节点时，字段类型必须被充分实例化。 优点。类神经网络在执行一般估计功能时非常强大。他们一般能够和其它方法一样执行预测任务，有时甚至执行得更好。同时，训练和应用类神经网络需要使用者掌握的统计和数学知识很少。Clementine 中包含几项特有的功能，用以避免运用类神经网络时的一些常见问题，包括：敏感度分析（sensitivity analysis）以辅助解释类神经网络结果，修剪（pruning）和验证（validation）以避免过度训练，动态网络（dynamic networks）以自动找出合适的网络结构设计。 神经网络节点建模节点字段选项使用类型节点的设置 （Use Type node settings） 使用者自定义设置 （Use Custom settings） 目标字段（Target(s)） 输入字段（Inputs）模型名称（Model name）：指定要生成的类神经网络名称。●自动（Auto）。选择该选项后，模型名称将根据目标字段名自动生成。这是预设设置。●使用者自定义（Custom）。选择该选项可以为节点创建的模型指定使用者定义的模型名称。方法（Method）。Clementine 为建立类神经网络模型提供六种训练方法：●快速（Quick）。这种方法采用粗略估计方法，根据资料特征选择类神经网络的合适类型（拓扑结构）。●动态（Dynamic）。这种方法首先创建一个初始拓扑结构，然后随着训练的进展添加或剔除隐藏单元以修改拓扑结构。●多重（Multiple）。这种方法创建拓扑结构不同的几个类神经网络（具体的数目取决于训练资料的情况）。随后这些网络以伪平行方式训练。在训练结束时，RMS 错误最小的模型代表最终的模型。●修剪（Prune）。这种方法以一个大型类神经网络开始，随着训练的进行剔除（修剪）隐藏层和输入层的最差单元。这种方法通常很慢，但是常常生成比其它方法更好的结果。●Defaut（预设）。在这一设置下，网络将在其看起来达到最佳训练状态时停止训练。如果该设置与Multiple 训练方法一起使用，训练不好的类神经网络在训练过程中将被舍弃。●Accuracy（％）（精确度％）。选择该选项后，训练将一直持续直到达到指定精确度。也许永远不能达到指定精确度，但是可以在任意点终止训练并保存目前达到的最高精确度。●Cycles（循环数）。选择该选项后，训练将持续指定的循环数（通过资料的循环数）。Time（mins）（以分钟计算的训练时间）。选择该选项后，训练将持续到指定的时间（以分钟计算）。注意：为了完成目前循环，训练时间可能会略微超出指定的训练时间。神经网络节点的附加选项继续训练存在的模型（Continue training existing model）。使用二进制元集合编码（Use binary set encoding）。显示反馈图（Show feedback graph）。模型选择（Model selection）使用最优模型（Use best network）采用最终模型（Use final network）生成日志文件（Generate log file）。 神经网络节点高级选项——快速方法模式（Mode）有两种选择，如果选择简单选项（Simple），则系统将给点默认的参数。如果选择高级选项（Expert），则可以根据用户的需要自己设定参数的值，主要参数有： 隐含层数（Hidden layers） 持续次数（persistence） 学习的效率（Learning Rates）： Alpha值 初始Eta值（Initial Eta） 高的Eta值（High Eta） Eta衰减速度（Eta dacay） 低的Eta值（Low Eta）注意：在神经网络节点没有动态 方法和彻底修剪方法的高级 选项神经网络节点高级选项——多重方法多重方法的高级选项（Multiple Method Expert Options）： 拓扑结构（Topo