bp神经网络回归 | 您所在的位置:网站首页 › spss模型预测的准确度高吗 › bp神经网络回归 |
# 1、作用 bp 神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。bp 神经网络的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。 # 2、输入输出描述输入:自变量 X 为 1 个或 1 个以上的定类或定量变量,因变量 Y 为一个定量变量。输出:模型输出的结果值及模型预测效果。 # 3、案例示例研究“幸福感”的影响因素,有四个变量可能对幸福感有影响,他们分别是:经济收入、受教育程度、身体健康、情感支持。建立支持 bp 神经网络模型来预测幸福度。 # 4、案例数据bp 神经网络回归案例数据 # 5、案例操作
输出结果 1:模型参数 输出结果 2:模型评估结果 输出结果 3:测试数据预测结果 输出结果 4:测试数据预测图
输出结果 5:模型预测与应用(此功能只在客户端支持使用)注:当无法进行预测功能时,可检查数据集中是否存在定类变量或者缺失值:● 当存在定类变量时,请在用于训练模型的数据集和用于预测的数据集中将变量编码,再进行操作。(SPSSPRO:数据处理->数据编码->将定类变量编码为定量)● 当用于预测数据的数据集中存在缺失值时,请删去缺失值再进行操作。 情况 1:在上面模型评估后,模型分类结果较好,具有实用性,这时我们将该模型进行应用。点击【模型预测】上传文件可以直接得到预测结果。 情况 2:若是上传的数据包括因变量真实值,不仅仅可以得到预测结果,还可以得到当前应用数据预测评估效果。 ![]() BP 神经网络是一种多层的前馈神经网络,其主要的特点是:信号是前向传播的,而误差是反向传播的。具体来说,对于如下的只含一个隐层的神经网络模型: BP 神经网络的过程主要分为两个阶段,第一阶段是信号的前向传播,从输入层经过隐含层,最后到达输出层;第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。 以一个三层 BP 神经网络举例 ![]() [1]Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11)[Online Application Software]. Retrieved from https://www.spsspro.com. [2] 周志华.机器学习.北京:清华大学出版社,2016:pp.121-139, 298-300[3]李航.统计学习方法.北京:清华大学出版社,2012:第七章,pp.95-135 |
CopyRight 2018-2019 实验室设备网 版权所有 |