神经网络原理讲解与过程梳理(神经网络模型训练原理)

神经网络原理如下：

原则上先输入特征元素“伪特征”，如性别、年龄、身高、体重等.,是输入,与“激活函数”结合构造出一些“伪函数元素”（即实际不存在、完全由模型构建的函数元素，无法得到特征项）解释），就具体构造而言，例如当是线性激活函数时，可以直观地理解为“y=1+2*x1+3*x2+4*x3+...”这样的函数）。 并且‘伪特征元素’的构建可以有多个层次（即‘隐藏层神经元’可以有多层，默认为1层），每层可以有多个神经元（默认设置为100个）。 最后通过数学优化算法进行计算，得到结果，即预测元素。

神经网络（NeuralNetwork）是模拟人脑神经思维模式的计算机模型。 神经网络有很多种类型，包括BP神经网络、卷积神经网络、多层感知器MLP。 等等，最经典的神经网络是多层感知器MLP（Multi-LayerPerception），SPSSAU默认使用这个模型。 与其他机器学习模型（如决策树、随机森林、支持向量机、SVM等）类似，首先将数据分为训练集和测试集来训练模型，测试集为用于测试模型。 各有利弊，神经网络模型可用于特征重要性识别、数据预测或训练模型进行部署技术应用等。

可以使用SPSSAU进行操作：