在上文《用SPSS的評(píng)分向?qū)Чδ芸焖俚贸瞿Ｐ皖A(yù)測(cè)結(jié)果》中我們說(shuō)到，評(píng)分向?qū)Чδ芸赏ㄟ^(guò)導(dǎo)入的模型快速預(yù)測(cè)模型結(jié)果，而這一功能的使用模型較常使用神經(jīng)網(wǎng)絡(luò)模型。

神經(jīng)網(wǎng)絡(luò)模型也是近些年大火的人工智能行業(yè)基礎(chǔ)算法，SPSS軟件中支持訓(xùn)練出多層感知器神經(jīng)網(wǎng)絡(luò)模型，今天我們一起來(lái)看看它是如何通過(guò)該專(zhuān)業(yè)統(tǒng)計(jì)分析軟件訓(xùn)練出來(lái)的。

一、多層感知器總體介紹

我們準(zhǔn)備好訓(xùn)練集數(shù)據(jù)后，點(diǎn)擊【分析】菜單中的【神經(jīng)網(wǎng)絡(luò)】，選擇第一項(xiàng)【多層感知器】，開(kāi)始訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

?

?

圖1：多層感知器

多層感知器分為8個(gè)選項(xiàng)菜單，“變量”和“分區(qū)”菜單是訓(xùn)練前的數(shù)據(jù)準(zhǔn)備；“體系結(jié)構(gòu)”菜單用于定義模型的各項(xiàng)參數(shù)和優(yōu)化方法；“訓(xùn)練”菜單用于調(diào)整模型的訓(xùn)練參數(shù)，如訓(xùn)練批次；“輸出”、“保存”和“導(dǎo)出”菜單用于設(shè)置模型輸出和保存的內(nèi)容；“選項(xiàng)”菜單用于設(shè)置模型除上述步驟外的其他設(shè)置項(xiàng)，如模型最長(zhǎng)訓(xùn)練時(shí)間。

?

?

圖2：八大菜單

二、操作步驟

第一步：我們先在【變量】菜單中，填入模型的因變量、因子和協(xié)變量，因?yàn)楦鱾€(gè)協(xié)變量定義標(biāo)準(zhǔn)都不同，因此我們還需對(duì)其標(biāo)準(zhǔn)化，如圖3。

?

?

圖3：變量菜單設(shè)置

第二步：接下來(lái)在“分區(qū)”菜單中，將數(shù)據(jù)按照默認(rèn)7:3的比例，分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于驗(yàn)證模型結(jié)果，反向優(yōu)化模型參數(shù)，一般來(lái)說(shuō)，訓(xùn)練集數(shù)量大于驗(yàn)證集。

?

?

圖4：分為訓(xùn)練集和驗(yàn)證集

第三步：定義神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，這一步非常重要，默認(rèn)勾選的是“體系結(jié)構(gòu)自動(dòng)選擇”，我們不采取默認(rèn)方式，而是勾選“定制體系結(jié)構(gòu)”，然后修改其中的隱藏層數(shù)、隱藏層激活函數(shù)、輸出層激活函數(shù)、隱藏層每一層網(wǎng)絡(luò)的單元數(shù)。

一開(kāi)始上述參數(shù)根據(jù)過(guò)往調(diào)參經(jīng)驗(yàn)設(shè)定即可，后續(xù)通過(guò)模型的準(zhǔn)確率，我們需要不斷調(diào)整上述參數(shù)，最終調(diào)整到合適的參數(shù)，得到準(zhǔn)確率較滿意的神經(jīng)網(wǎng)絡(luò)模型為最終模型。

?

?

圖5：設(shè)定模型參數(shù)

第四步：在“訓(xùn)練”菜單中，我們需設(shè)置模型訓(xùn)練的批次、優(yōu)化算法和其他訓(xùn)練選項(xiàng)，如初始學(xué)習(xí)率。以上訓(xùn)練參數(shù)都會(huì)在一定程度上影響模型的訓(xùn)練準(zhǔn)確率和訓(xùn)練速度，設(shè)定太大則訓(xùn)練時(shí)間太長(zhǎng)，太小則模型擬合的準(zhǔn)確率不夠高，因此也屬于經(jīng)驗(yàn)參數(shù)，需要反復(fù)通過(guò)訓(xùn)練模型來(lái)逐步確定。

?

?

圖6：設(shè)定訓(xùn)練參數(shù)

第五步：設(shè)定我們要輸出的內(nèi)容，如ROC曲線、神經(jīng)網(wǎng)絡(luò)圖、分類(lèi)結(jié)果等，設(shè)定的內(nèi)容最終會(huì)在模型訓(xùn)練后以圖表形式展示出來(lái)。完成設(shè)置后，點(diǎn)擊“確定”按鈕，我們開(kāi)始來(lái)訓(xùn)練模型。

?

?

圖7：設(shè)定輸出參數(shù)

三、模型結(jié)果

等待部分時(shí)間后，模型訓(xùn)練完成，訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)模型如下圖8所示。

?

?

圖8：神經(jīng)網(wǎng)絡(luò)圖

我們?cè)诰W(wǎng)絡(luò)信息表格中，就可以看到該神經(jīng)網(wǎng)絡(luò)的具體參數(shù)，如使用的激活函數(shù)、每個(gè)隱藏層的單元數(shù)等等。

?

?

圖9：網(wǎng)絡(luò)信息

訓(xùn)練神經(jīng)網(wǎng)絡(luò)是一項(xiàng)非常花費(fèi)時(shí)間的工作，不僅是因?yàn)樗?xùn)練時(shí)間長(zhǎng)、而且也因?yàn)樗枰谟?xùn)練過(guò)程中進(jìn)行反復(fù)調(diào)參，使模型向更好的結(jié)果進(jìn)行調(diào)整擬合，當(dāng)然神經(jīng)網(wǎng)絡(luò)模型也能實(shí)現(xiàn)非常強(qiáng)大的功能，逐漸在我們的生活中占據(jù)更高的比重。這就是本文關(guān)于SPSS軟件訓(xùn)練神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單教程，更多關(guān)于IBM SPSS Statistics使用教學(xué)，大家可到IBM SPSS Statistics中文網(wǎng)站上查看。?

總結(jié)

以上是生活随笔為你收集整理的SPSS教程—实现多层感知器神经网络的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。