神经网络模型结果解读：多层感知机的训练与预测效果.docxVIP

神经网络分类分析结果解读

神经网络（NeuralNetworks）是一种模拟生物神经系统结构和功能的机器学习方法，其核心算法为反向传播算法（Back-PropagationNetwork，BP算法）。BP算法包括信号的前向传播和误差的反向传播两个过程：前向传播时，输入信号通过隐含层进行非线性变换后产生输出信号；若实际输出与期望输出不符，则误差沿反向路径逐层传递，通过梯度下降法调整各层连接权值和阈值，使网络输出逐步逼近期望结果。本研究基于SPSSAU平台，利用神经网络对鸢尾花数据集进行三分类建模分析。

在SPSSAU【机器学习】模块选择【神经网络】，将变量拖拽至右侧对应分析框，操作如下图：

一、数据基本信息

本次分析采用经典的鸢尾花（Iris）数据集，共包含150个样本，分为三类：刚毛鸢尾花（A）、变色鸢尾花（B）和弗吉尼亚鸢尾花（C），每类各50个样本，各占33.333%。自变量为X1、X2、X3、X4四个特征指标，因变量Y为鸢尾花类别。数据集无缺失值，三类样本完全均衡，适合进行神经网络分类建模。

从表1可以看出，150个样本全部有效，三类鸢尾花各50个，类别分布完全均衡，不存在类别不平衡问题，有利于神经网络模型的稳定训练和客观评估。

二、特征权重分析

从表2特征权重可以看出，四个特征对神经网络模型分类的贡献程度差异显著。X3的权重最高，达到68.22%，是模型分类的核心特征，