神經網路中怎麼寫數據

⑴ 怎麼用spss神經網路來分類數據

用spss神經網路分類數據方法如下：

神經網路演算法能夠通過大量的歷史數據，逐步建立和完善輸入變數到輸出結果之間的發展路徑，也就是神經網路，在這個神經網路中，每條神經的建立以及神經的粗細（權重）都是經過大量歷史數據訓練得到的，數據越多，神經網路就越接近真實。神經網路建立後，就能夠通過不同的輸入變數值，預測輸出結果。例如，銀行能夠通過歷史申請貸款的客戶資料，建立一個神經網路模型，用於預測以後申請貸款客戶的違約情況，做出是否貸款給該客戶的決策。本篇文章將用一個具體銀行案例數據，介紹如何使用SPSS建立神經網路模型，用於判斷將來申請貸款者的還款能力。

選取歷史數據建立模型，一般會將歷史數據分成兩大部分：訓練集和驗證集，很多分析者會直接按照數據順序將前70%的數據作為訓練集，後30%的數據作為驗證集。如果數據之間可以證明是相互獨立的，這樣的做法沒有問題，但是在數據收集的過程中，收集的數據往往不會是完全獨立的（變數之間的相關關系可能沒有被分析者發現）。因此，通常的做法是用隨機數發生器來將歷史數據隨機分成兩部分，這樣就能夠盡量避免相同屬性的數據被歸類到一個數據集當中，使得建立的模型效果能夠更加優秀。

在具體介紹如何使用SPSS軟體建立神經網路模型的案例之前，先介紹SPSS的另外一個功能：隨機數發生器。SPSS的隨機數發生器常數的隨機數據不是真正的隨機數，而是偽隨機數。偽隨機數是由演算法計算得出的，因此是可以預測的。當隨機種子（演算法參數）相同時，對於同一個隨機函數，得出的隨機數集合是完全相同的。與偽隨機數對應的是真隨機數，它是真正的隨機數，無法預測也沒有周期性。目前大部分晶元廠商都集成了硬體隨機數發生器，例如有一種熱雜訊隨機數發生器，它的原理是利用由導體中電子的熱震動引起的熱雜訊信號，作為隨機數種子。

⑵ 我研究BP神經網路，想問下插做數據如何用，起到什麼作用，求詳解

多看看文獻吧神經網路可以用作分類、聚類、預測等。神經網路需要有一定量的歷史數據，通過歷史數據的訓練，網路可以學習到數據中隱含的知識。在你的問題中，首先要找到某些問題的一些特徵，以及對應的評價數據，用這些數據來訓練神經網路。 雖然BP網路得到了廣泛的應用，但自身也存在一些缺陷和不足，主要包括以下幾個方面的問題。 首先，由於學習速率是固定的，因此網路的收斂速度慢，需要較長的訓練時間。對於一些復雜問題，BP演算法需要的訓練時間可能非常長，這主要是由於學習速率太小造成的，可採用變化的學習速率或自適應的學習速率加以改進。 其次，BP演算法可以使權值收斂到某個值，但並不保證其為誤差平面的全局最小值，這是因為採用梯度下降法可能產生一個局部最小值。對於這個問題，可以採用附加動量法來解決。 再次，網路隱含層的層數和單元數的選擇尚無理論上的指導，一般是根據經驗或者通過反復實驗確定。因此，網路往往存在很大的冗餘性，在一定程度上也增加了網路學習的負擔。 最後，網路的學習和記憶具有不穩定性。也就是說，如果增加了學習樣本，訓練好的網路就需要從頭開始訓練，對於以前的權值和閾值是沒有記憶的。但是可以將預測、分類或聚類做的比較好的權值保存。

⑶ 想用神經網路做評價模型，請問在matlab中輸入數據是什麼Target數據是什麼

輸入數據是因子，是變數，是x，target是結果，是對應x下的y值。評價模型首先你肯定有評價的指標，這個就是y。其餘對這個指標有影響的因素就是x。
你的例子里輸入就是90*20的矩陣，target就是90*1的矩陣。模型訓練好以後，用剩下的10家去檢驗模型。
神經網路基本原理就是得到一個自變數x的方程，使得通過方程計算的結果與實際的y之間的差值最小，從而說明模型的正確性，用於後續的評價和預測等。

⑷ bp神經網路對輸入數據和輸出數據有什麼要求

p神經網路的輸入數據越多越好，輸出數據需要反映網路的聯想記憶和預測能力。

BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。

BP神經網路模型拓撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。BP網路具有高度非線性和較強的泛化能力，但也存在收斂速度慢、迭代步數多、易於陷入局部極小和全局搜索能力差等缺點。

(4)神經網路中怎麼寫數據擴展閱讀：

BP演算法主要思想是：輸入學習樣本，使用反向傳播演算法對網路的權值和偏差進行反復的調整訓練，使輸出的向量與期望向量盡可能地接近，當網路輸出層的誤差平方和小於指定的誤差時訓練完成，保存網路的權值和偏差。

1、初始化，隨機給定各連接權及閥值。

2、由給定的輸入輸出模式對計算隱層、輸出層各單元輸出

3、計算新的連接權及閥值，計算公式如下：

4、選取下一個輸入模式對返回第2步反復訓練直到網路設輸出誤差達到要求結束訓練。

⑸ 在沒有大量數據的情況下怎樣在神經網路中構造數據,以BP神經網路為例，

你可以用隨機數產生神經網路的訓練和測試數據
如：下面是產生范圍在0.2~2的150*4的矩陣，前三列為輸入數據，第四列為輸出數據
M=random('unif',0.2,2,150,4);
p1=M(1:125,1:3);
t1=M(1:125,4);
p2=M(126:150,1:3 );
t2=M(126:150,4);
p=p1';
t=t1';
[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);
a=10; %設置隱層節點數
net=newff(minmax(pn),[a,1],{'tansig','purelin'});
net.trainParam.epochs=500;

net.trainParam.lr=0.1;
net.trainParam.goal=10;
net=init(net);
net=train(net,pn,tn);

⑹ 數據挖掘中關於神經網路的論文怎麼寫

我給你發個摘要吧隨著4G時代的到來，電信市場的競爭越來越激烈，客戶資源成為電信企業競爭的焦點。而客戶消費行為規律是客戶知識的重要組成部分，因此基於消費行為認知的客戶細分就成為電信企業客戶關系管理的重頭戲。利用數據挖掘演算法針對某一具體的客戶消費數據集進行分析，挖掘出有趣的信息，並根據這些有趣的結論進一步調整企業的營銷策略。本文針對當前電信企業在4G客戶細分方面的不足，結合電信企業客戶的特徵通過關聯分析來實現對電信企業現有客戶的細分，幫助電信企業實現電信客戶的合理分類，從而對電信企業的營銷策略提出指導性意見。通過對某一運營商的4G客戶資料庫進行分析，採用Apriori演算法發現客戶消費行為和消費特點之間有趣的關聯規則，並根據這些信息進一步分析，為營銷決策者提供一種新的思考問題的視角。本文的研究思路是對樣本數據進行預處理後，將樣本數據劃分為換4G卡、換4G套餐、換4G終端三大客戶群體，再分別計算出月均arpu值、月均mou值、月均dou值，最後利用Clementine軟體對三大客戶群體的這三個值進行基於MDLP原則的熵分組，得到細分的特徵客戶群。然後對這些客戶群再做進一步的研究，利用Apriori演算法產生頻繁項集，依據頻繁項集產生簡單關聯規則，挖掘出客戶消費行為和細分變數品牌、arpu值、mou值和dou值之間的關聯關系，總結出相應的規律，幫助電信企業找到特定消費群體的消費習慣，以此為基礎，對所識別出來的消費群體進行有針對性的營銷。

⑺ 小白對於神經網路的數據集的問題

標准數據集是神經網路的訓練基礎。訓練就相當於條件反射中的條件，是已知的條件。來源是「經驗」，是已知的映射組，當在神經網路中載入標准數據集後，神經網路隨機生成一組矩陣，用矩陣處理標准集中的輸入集後，用所得結果與標准輸出集比較，將誤差提出後根據誤差，向減少誤差的方向修改矩陣組，然後重復多次以後，誤差減小到一定程度，標准輸入集輸入網路後能得到標准輸出集，訓練完成。這個矩陣組就是神經網路模型。神經網路就是用電腦在標准數據集上總結經驗，來對新的輸入進行映射