神經網路圖怎麼設置

A. 中國知網的作者合作網路分析圖閾值怎麼設置

1、首先需要了解BP神經網路是一種多層前饋網路。2、以看一下在matlab中BP神經網路的訓練函數，有梯度下降法traingd,彈性梯度下降法trainrp，自適世知高應lr梯度下降法traingda等。搜尺

3、在matlab中命令行窗口中定義輸入P，輸出T，·通過「newff(minmax(P),[5,1]構建BP神經網路，「[net,tr]=train(net,P,T);」進行網路訓練，「sim(net,P)」得到模擬預測值。

4、在命令行窗口按回車鍵之後，可以看到出現結果彈窗，最上面的Neural Network下面依次代表的是「輸入、隱含層、輸出層、輸出」，隱含層中有5個神經元。

5、Progress下面的Epoch代表迭代次數，Gradient代表梯度，Vaildation Checks代表有效性檢查，最後的綠色對勾代表性能目標達成。

6、最後將實際曲猛冊線和預測曲線繪制出來，可以看到使用BP神經網路預測的結果曲線基本和實際輸出曲線一致。

B. 深度神經網路dnn怎麼調節參數

深度神經網路（DNN）目前是許多現代AI應用的基礎。
自從DNN在語音識別和圖像識別任務中展現出突破性的成果，使用DNN的應用數量呈爆炸式增加。這些DNN方法被大量應用在無人駕駛汽車，癌症檢測，游戲AI等方面。
在許多領域中，DNN目前的准確性已經超過人類。與早期的專家手動提取特徵或制定規則不同，DNN的優越性能來自於在大量數據上使用統計學習方法，從原始數據中提取高級特徵的能力，從而對輸入空間進行有效的表示。

然而，DNN超高的准確性是以超高的計算復雜度為代價的。
通常意義下的計算引擎，尤其是GPU，是DNN的基礎。因此，能夠在不犧牲准確性和增加硬體成本的前提下，提高深度神經網路的能量效率和吞吐量的方法，對於DNN在AI系統中更廣泛的應用是至關重要的。研究人員目前已經更多的將關注點放在針對DNN計算開發專用的加速方法。
鑒於篇幅，本文主要針對論文中的如下幾部分詳細介紹：
DNN的背景，歷史和應用
DNN的組成部分，以及常見的DNN模型
簡介如何使用硬體加速DNN運算
DNN的背景
人工智慧與深度神經網路

深度神經網路，也被稱為深度學習，是人工智慧領域的重要分支，根據麥卡錫（人工智慧之父）的定義，人工智慧是創造像人一樣的智能機械的科學工程。深度學習與人工智慧的關系如圖1所示：

圖1：深度神經網路與人工智慧的關系
人工智慧領域內，一個大的子領域是機器學習，由Arthur Samuel在1959年定義為：讓計算機擁有不需要明確編程即可學習的能力。
這意味著創建一個程序，這個程序可以被訓練去學習如何去做一些智能的行為，然後這個程序就可以自己完成任務。而傳統的人工啟發式方法，需要對每個新問題重新設計程序。
高效的機器學習演算法的優點是顯而易見的。一個機器學習演算法，只需通過訓練，就可以解決某一領域中每一個新問題，而不是對每個新問題特定地進行編程。
在機器學習領域，有一個部分被稱作brain-inspired computation。因為人類大腦是目前學習和解決問題最好的「機器」，很自然的，人們會從中尋找機器學習的方法。
盡管科學家們仍在探索大腦工作的細節，但是有一點被公認的是：神經元是大腦的主要計算單元。
人類大腦平均有860億個神經元。神經元相互連接，通過樹突接受其他神經元的信號，對這些信號進行計算之後，通過軸突將信號傳遞給下一個神經元。一個神經元的軸突分支出來並連接到許多其他神經元的樹突上，軸突分支和樹突之間的連接被稱為突觸。據估計，人類大腦平均有1014-1015個突觸。
突觸的一個關鍵特性是它可以縮放通過它的信號大小。這個比例因子可以被稱為權重（weight），普遍認為，大腦學習的方式是通過改變突觸的權重實現的。因此，不同的權重導致對輸入產生不同的響應。注意，學習過程是學習刺激導致的權重調整，而大腦組織（可以被認為是程序）並不改變。
大腦的這個特徵對機器學習演算法有很好的啟示。
神經網路與深度神經網路

神經元的計算是輸入值的加權和這個概念啟發了神經網路的研究。這些加權和對應於突觸的縮放值以及神經元所接收的值的組合。此外，神經元並不僅僅是輸入信號的加權和，如果是這樣的話，級聯的神經元的計算將是一種簡單的線性代數運算。
相反的是，神經元組合輸入的操作似乎是一種非線性函數，只有輸入達到某個閾值的時候，神經元才會生成輸出。因此，通過類比，我們可以知道神經網路在輸入值的加權和的基礎上應用了非線性函數。
圖2（a）展示了計算神經網路的示意圖，圖的最左邊是接受數值的「輸入層」。這些值被傳播到中間層神經元，通常也叫做網路的「隱藏層」。通過一個或更多隱藏層的加權和最終被傳播到「輸出層」，將神經網路的最終結果輸出給用戶。

圖2：神經網路示意圖

在神經網路領域，一個子領域被稱為深度學習。最初的神經網路通常只有幾層的網路。而深度網路通常有更多的層數，今天的網路一般在五層以上，甚至達到一千多層。
目前在視覺應用中使用深度神經網路的解釋是：將圖像所有像素輸入到網路的第一層之後，該層的加權和可以被解釋為表示圖像不同的低階特徵。隨著層數的加深，這些特徵被組合，從而代表更高階的圖像特徵。
例如，線可以被組合成形狀，再進一步，可以被組合成一系列形狀的集合。最後，再訓練好這些信息之後，針對各個圖像類別，網路給出由這些高階特徵組成各個對象的概率，即分類結果。
推理（Inference）與訓練（Training）
既然DNN是機器學習演算法中的一員，那麼它的基本編程思想仍然是學習。DNN的學習即確定網路的權重值。通常，學習過程被稱為訓練網路（training）。一旦訓練完成，程序可以使用由訓練確定的權值進行計算，這個使用網路完成任務的操作被被稱為推斷（inference）。
接下來，如圖3所示，我們用圖像分類作為例子來展示如何訓練一個深度神經網路。當我們使用一個DNN的時候，我們輸入一幅圖片，DNN輸出一個得分向量，每一個分數對應一個物體分類；得到最高分數的分類意味著這幅圖片最有可能屬於這個分類。
訓練DNN的首要目標就是確定如何設置權重，使得正確分類的得分最高（圖片所對應的正確分類在訓練數據集中標出），而使其他不正確分類的得分盡可能低。理想的正確分類得分與目前的權重所計算出的得分之間的差距被稱為損失函數（loss）。
因此訓練DNN的目標即找到一組權重，使得對一個較大規模數據集的loss最小。

圖3：圖像分類

權重（weight）的優化過程類似爬山的過程，這種方法被稱為梯度下降（gradient decent）。損失函數對每個權值的梯度，即損失函數對每個權值求偏導數，被用來更新權值（例：第t到t+1次迭代：，其中α被稱為學習率（Learning rate）。梯度值表明權值應該如何變化以減小loss。這個減小loss值的過程是重復迭代進行的。
梯度可以通過反向傳播（Back-Propagation）過程很高效地進行計算，loss的影響反向通過網路來計算loss是如何被每個權重影響的。
訓練權重有很多種方法。前面提到的是最常見的方法，被稱為監督學習，其中所有的訓練樣本是有標簽的。
無監督學習是另一種方法，其中所有訓練樣本都沒有標簽，最終目標是在數據中查找結構或聚類。半監督學習結合了兩種方法，只有訓練數據的一小部分被標記（例如，使用未標記的數據來定義集群邊界，並使用少量的標記數據來標記集群）。
最後，強化學習可以用來訓練一個DNN作為一個策略網路，對策略網路給出一個輸入，它可以做出一個決定，使得下一步的行動得到相應的獎勵;訓練這個網路的過程是使網路能夠做出使獎勵（即獎勵函數）最大化的決策，並且訓練過程必須平衡嘗試新行為（Exploration）和使用已知能給予高回報的行為（Exploitation）兩種方法。

用於確定權重的另一種常用方法是fine-tune，使用預先訓練好的模型的權重用作初始化，然後針對新的數據集（例如，傳遞學習）或新的約束（例如，降低的精度）調整權重。與從隨機初始化開始相比，能夠更快的訓練，並且有時會有更好的准確性。

C. 用什麼軟體製作神經網路結構圖，類似下圖這種

看你用在哪裡，如果用在文檔中，用Word的插入形狀就可繪制。

D. spss分區是什麼意思

SPSS多層感知器神經網路分析是基於模仿人類大腦結構及思維模式的信息處理系統，可通過演算法從數據中學習並形成訓練模型，再將模型用於分析數據以得到預測結果，因此在進行神經網路分析時會將數據分為訓練區與檢驗區，以便於得到准確預測數據的概率，SPSS神經網路怎麼分區，SPSS神經網路如何解讀呢？今天一起來看看吧。
一、SPSS神經網路怎麼分區
先將現有數據表格導入SPSS中，或者在SPSS安裝文件夾下的「Sample」文件夾中有很多自帶的數據模板，可以用這些模板數據來體驗功能效果。
SPSS自宴芹帶數據模板
圖1：SPSS自帶數據模板
點擊菜單「分析」-「神經網路」-「多層感知器」陪譽進入神經網路設置面板。
神經網路多層感知器設置
圖2：神經網路多層感知器設置
在變數設置板塊中，將想要預測的變數置入因變數，將類型變數加入因子，將其他連續型變數加入協變數。
神經網路變數設置
圖3：神經網路變數設置
在「分區」板塊可以對神經網路進行分區。
設置分區數據
圖4：設置分區數據
在分區設置有兩種分區方式。
1、隨機分區
可以根據樣本數量自動分配個案，默認是訓練數據佔70%，檢驗數據佔30%，而且這兩者的佔比可以手動調整，從蘆祥段樣本總量中隨機劃分訓練樣本與檢驗樣本。
2、分區變數指定樣本分區
通過給樣本指定分區變數來進行分配，這樣就能有目的性地將一部分樣本設置為訓練集，另一部分設置為檢驗集，並進行針對性地神經網路分析。
在完成神經網路設置後開始神經網路分析，SPSS會自動生成輸出文檔，包括網路圖、模型摘要、參數估算值、預測圖、自變數重要性圖等。
二、SPSS神經網路如何解讀
通過上面的數據可以得到一份分析報告，按照報告中數據與表格展現順序，我們來看看神經網路分析數據的解讀方法。
1、個案處理摘要
個案處理摘要
圖5：個案處理摘要
這里是SPSS對數據的分區與採用摘要數據，共1500條數據，隨機分配了1046條作為訓練集數據，佔比69.7%，剩餘數據則作為檢驗集數據，佔比30.3%，沒有無效數據，所以「排除」為0。
2、網路信息
網路信息
圖6：網路信息
這一部分內容分三層，顯示了本次分析所設置的輸入層影響因子與協變數內容，隱藏層單元數，以及輸出層的內容。
3、神經網路圖
神經網路圖
圖7：神經網路圖
這一部分可以看到不同變數之間的顏色、圖形各不相同，一個變數的線條顏色越深，代表其在計算分析中的權重越高；變數的板塊越大，則代表其價值越高。
4、分類
分類數據
圖8：分類數據
從分類數據中可以看到隨機分配的訓練集與檢驗集中樣本數據的預測正確率僅有「59.3%」和「58.6%」，說明本次分析效果不是很好，正確率較低。（正確率低不代表神經網路演算法不好，而是說明這份樣本數據不適合用神經網路演算法來進行分析）

E. visio畫神經網路圖

打開visio軟體，選擇「網路」，選擇一個一個要畫的網路圖類型，在這里選擇「基本網路圖」
使用visio如何畫簡單的網路連接圖

大概了解一下軟體的功能
使用visio如何畫簡單的網路連接圖

按照提示，先畫一個路由器和一個交換機
使用visio如何畫簡單的網路連接圖

再添加一台PC機
使用visio如何畫簡單的網路連接圖

點擊「連線工具」
使用visio如何畫簡單的網路連接圖

把滑鼠停留在帶「x」的點上後，顏色會自動變紅，提示當前的連接點！把三個設備全部連接完成後，一個簡單的小網路圖就完成了！
使用visio如何畫簡單的網路連接圖

F. LeNet神經網路

LeNet神經網路由深度學習三巨頭之一的Yan LeCun提出，他同時也是卷積神經網路 (CNN，Convolutional Neural Networks)之父。LeNet主要用來進行手寫字元的識別與分類，並在美國的銀行中投入了使用。LeNet的實現確立了CNN的結構，現在神經網路中的許多內容在LeNet的網路結構中都能看到，例如卷積層，Pooling層，ReLU層。雖然LeNet早在20世紀90年代就已經提出了，但由於當時缺乏大規模的訓練數據，計算機硬體的性能也較低，因此LeNet神經網路在處理復雜問題時效果並不理想。雖然LeNet網路結構比較簡單，但是剛好適合神經網路的入門學習。

LeNet的神經網路結構圖如下：

LeNet網路的執行流程圖如下：

接下來我們來具體的一層層的分析LeNet的網路結構。首先要了解圖像（輸入數據）的表示。在LeNet網路中，輸入圖像是手寫字元，圖像的表示形式為二維數據矩陣，如下念老圖所示：

LeNet網路除去輸入輸出層總共有六層網路。第一層是卷積層（C1層），卷積核的大小為 5*5 ，卷積核數量為 6 個，輸入圖像的大小為 32*32 ，因此輸入數據在進行第一層卷積之後，輸出結果為大小為 28*28 ，數量為 6 個的feature map。卷積操作如下面兩幅圖所示：

卷積操作的過程可描述為：卷積核在圖像上滑動，滑動步長為1（即每次移動一格，水平方向從左到右，到最右邊之後再從最左邊開始，向下移動一格，重復從左到右滑動），當卷積核與圖像的一個局部塊重合時進行卷積運行，卷積計算方式為圖像塊對應位置的數與卷積核對應位置的數相乘，然後將所有相乘結果相加即為feature map的值， 相乘累加之後的結果位於卷積核中心點的位置 ，因此如果是 3*3 的卷積核，feature map比原圖像在水平和垂直方向上分別減少兩行（上下各一行）和兩列（左右各一列），因此上面圖像原圖為 5*5 ，卷積核為 3*3 ，卷積結果大小為 3*3 ，即 (5-2)*(5-2) ，如果卷積核為 5*5 ，則卷積結果大小為 (5-4)*(5-4) 。上圖中的卷積核為：

由於神經網路層與層的結構是通過連接來實現的，因此輸入層與第一個卷積層的連接數量應為 (32-2-2)*(32-2-2)*(5*5+1)*6= 28*28*156 =122304 。

卷積的作用主要是：通過卷積運算，可以使原信號特徵增強，並且降低噪音。在圖像上卷積之後主要是減少圖像雜訊，提取圖像的特徵。例如sobel運算元就是一種卷積運算，主要是提友喊取圖像的邊緣特徵。卷積網路能很好地適應圖像的平移不變性：例如稍稍移動一幅貓的圖像，它仍然是一幅貓的圖像。卷積操作保留了圖像塊之間的空間信息，進行卷積操作的圖像塊之間的相對位置關系沒有改變。圖像在不同卷積仔告升核上進行卷積之後的效果圖如下：

圖像在LeNet網路上進行第一層卷積之後，結果為大小為 28*28 ，數量為 6 個的feature map。LeNet網路的第二層為pooling層（S2層），也稱為下采樣。在圖像處理中，下采樣之後，圖像的大小會變為原來的 1/4 ，即水平方向和垂直方向上圖像大小分別減半。Pooling有多種，這里主要介紹兩種，max-pooling和average-pooling。max-pooling即為從四個元素中選取一個最大的來表示這四個元素，average-pooling則用四個元素的平均值來表示這四個元素。Pooling示意圖如下：

在LeNet在進行第二層Pooling運算後，輸出結果為 14*14 的 6 個feature map。其連接數為 (2*2+1) * 14 * 14 *6 = 5880 。Pooling層的主要作用就是減少數據，降低數據緯度的同時保留最重要的信息。在數據減少後，可以減少神經網路的緯度和計算量，可以防止參數太多過擬合。LeNet在這一層是將四個元素相加，然後乘以參數w再加上偏置b，然後計算sigmoid值。

LeNet第三層（C3層）也是卷積層，卷積核大小仍為 5*5 ，不過卷積核的數量變為 16 個。第三層的輸入為 14*14 的 6 個feature map，卷積核大小為 5*5 ，因此卷積之後輸出的feature map大小為 10*10 ，由於卷積核有 16 個，因此希望輸出的feature map也為 16 個，但由於輸入有 6 個feature map，因此需要進行額外的處理。輸入的 6 個feature map與輸出的 16 個feature map的關系圖如下：

如上圖所示，第一個卷積核處理前三幅輸入的feature map，得出一個新的feature map。

上一層卷積運算之後，結果為大小為 10*10 的 16 個feature map，因此在第四層（S4層）進行pooling運算之後，輸出結果為 16 個大小為 5*5 的feature map。與S2層進行同樣的操作。

LeNet第五層是卷積層(C5層)，卷積核數目為120個，大小為 5*5 ，由於第四層輸出的feature map大小為 5*5 ，因此第五層也可以看成全連接層，輸出為120個大小為 1*1 的feature map。

LeNet第六層是全連接層（F6層），有84個神經元（84與輸出層的設計有關），與C5層全連接。

LeNet神經網路結構在Caffe中的配置文件如下：

參考資料：

1. https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/

G. 一文詳解圖神經網路(二)

《The Graph Neural Network Model》

圖領域的應用主要可以分為兩種類型 ：專注於 圖的應用(graph-focused) 和 專注於節點的應用(node-focused) 。對於graph-focused的應用，函數 和具體的節點無關，(即 )，訓練時，在一個圖的數據集中進行分類或回歸。對於node-focused的應用， 函數依賴於具體的節點 ，即

在一個圖-節點對的集合 ， 表示圖的集合， 表示節點集合，圖領域問題可以表示成一個有如下數據集的監督和啟空學習框架：

其中， 表示集合 中的第 個節點， 表示節點 的期望目標(即標簽)。節點 的狀態用 表示，該節點的輸出用 表示， 為 local transition function ， 為 local output function ，那麼 和 的更新方式如下：

其中， 分別表示節點 的特徵向量、與節點 相連的邊的特徵向量、節點 鄰居節點的狀態向量、節點 鄰居節點的特徵向量。 分別為所有的狀態、所有的輸出、所有的特徵向量、所有節點的特徵向量的疊加起來的向量，那麼上面函數可以寫成如下形式：

其中， 為 global transition function ， 為 global output function ，分別是 和 的疊加形式

根據 Banach的不動點理論 ，假設 是一個壓縮映射函數，那麼式子有唯一不動點解，而且可以通過迭代方式逼近該不動點

其中， 表示 在第 個迭代時刻的值，對於任意初值，迭代的誤差是以指數速度減小的，使用迭代的形式寫出狀態和輸出的更新表達式為：

GNN的學習就是估計參數 ，使得函數 能夠近似估計訓練集

其中， 表示在圖 中監督學習的節點，對於graph-focused的任務，需要增加一個特殊的節點，該節點用來作為目標節點，這樣， graph-focused 任務和 node-focused 任務都能統一到節點預測任務上，學習目標可以是最小化如下二次損失函數

優化演算法基於隨機梯度下降的策略，優化步驟按照如下幾步進行：

在GNN中，函數 不需要滿足特定的約束，直接使用多層前饋神經網路，對於函數 ，則需要著重考慮，因為 需要滿足壓縮映射的條件，而且與不動點計算相關。下面提出兩種神經網路和不同的策略來滿足這些需求

對於節點n nn狀態的計算，將 改成如下形式

相當於是對節點 的每一個鄰居節點使用 ，並將得到的值求和來作為節點 的狀態，由此，對上式中的函數 按照如下方式實現：

其中，向量 ，矩陣 定喚瞎義為兩個前向神旁仔經網路的輸出。更確切地說，令產生矩陣 的網路為transition network，產生向量 的網路為forcing network

其中， ， ， 表示將 維的向量整理(reshape)成 的矩陣，也就是說，將transition network的輸出整理成方形矩陣，然後乘以一個系數就得到 ， 就是forcing network的輸出

在這里，假定 ，這個可以通過設定transition function的激活函數來滿足，比如設定激活函數為 tanh() 。在這種情況下， ， 和 分別是 的塊矩陣形式和 的堆疊形式，可得：

該式表示 對於任意的參數 是一個壓縮映射，矩陣 的 1-norm 定義為：

在這個結構中， 通過多層前饋網路實現，但是，並不是所有的參數 都會被使用，因為同樣需要保證 是一個壓縮映射函數，這個可以通過懲罰項來實現

其中，懲罰項 在 時為 ，在 時為0，參數 定義為希望的 的壓縮系數

NLP新人，歡迎大家一起交流，互相學習，共同成長~~

H. 如何用matlab做神經網路結構圖

給你一個實例，希望通過該例子對實現神經網路應用有一定的了解。
%x,y分別為輸入和目標向量
x=1:5;
y=[639 646 642 624 652];

%創建一個前饋網路
net=newff(minmax(x),[20,1],{'tansig','purelin'});

%模擬未經訓練的網路net並畫圖
y1=sim(net,x);plot(x,y1,':');
%採用L-M優化演算法
net.trainFcn='trainlm';
%設置訓練演算法
net.trainParam.epochs=500;net.trainParam.goal=10^(-6);
%調用相應演算法訓練BP網路
[net,tr,]=train(net,x,y);
%對BP網路進行模擬
y1=sim(net,x);
%計算模擬誤差
E=y-y1;MSE=mse(E)
hold on
%繪制匹配結果曲線
figure;
plot(x,y1,'r*',x,y,'b--')

執行結果

I. 如何用visio畫卷積神經網路圖。圖形類似下圖所示

大概試了一下用visio繪制這個圖，除了最左面的變形圖片外其餘基本可以實現（那個圖可以考慮用其它圖像處理軟體比如Photoshop生成後插入visio），visio中主要用到的圖形可以在更多形狀-常規-具有透視效果的塊中找到塊圖形，拖入繪圖區後拉動透視角度調節的小紅點進行調整直到合適為止，其餘的塊可以按住ctrl+滑鼠左鍵進行拉動復制，然後再進行大小、位置仔細調整就可以了，大致繪出圖形示例如下圖所示：

J. SPSS統計分析案例:多層感知器神經網路

SPSS統計分析案例:多層感知器神經網路
神經網路模型起源於對人類大腦思維模式的研究，它是一個非線性的數據建模工具， 由輸入層和輸出層、 一個或者多個隱藏層構成神經元，神經元之間的連接賦予相關的權重， 訓練學習演算法在迭代過程中不斷調整這些權重，從而使得預測誤差最小化並給出預測精度。
在SPSS神經網路中，包括多層感知器（MLP）和徑向基函數（RBF）兩種方法。
本期主要學習多層感知器神經網路，要把它講清楚是比較困難的，為了能直觀感受它的功能，首先以一個案例開始，最後再總結知識。
案例數據
該數據文件涉及某銀行在降低貸款拖欠率方面的舉措。該文件包含 700 位過去曾獲得貸款的客戶財務和人口統計信息。請使用這 700 名客戶的隨機樣本創建多層感知器神經網路模型。銀行需要此模型對新的客戶數據按高或低信用風險對他們進行分類。
第一次分析：菜單參數
要運行「多層感知器」分析，請從菜單中選擇：
分析 > 神經網路 > 多層感知器
如上圖所示，MLP主面板共有8個選項卡，至少需要設置其中"變數"、"分區"、"輸出"、"保存"、"導出"等5個選項卡，其他接受軟體默認設置。
▌ "變數"選項卡
將"是否拖欠"移入因變數框；
將分類變數"學歷"移入因子框，其他數值變數移入"協變數"框；
因各協變數量綱不同，選擇"標准化"處理；
▌ "分區"選項卡
在此之前，首先在 "轉換 > 隨機數生成器"菜單中設置隨機數固定種子為9191972（此處同SPSS官方文檔，用戶可以自由設定），因為"分區"選項卡中，要求對原始數據文件進行隨機化抽樣，將數據劃分為"訓練樣本"、"支持樣本"、"檢驗樣本"3個區塊，為了隨機過程可重復，所以此處指定固定種子一枚；
初次建模，先抽樣70%作為訓練樣本，用於完成自學習構建神經網路模型，30%作為支持樣本，用於評估所建立模型的性能，暫不分配檢驗樣本；
▌ "輸出"選項卡
勾選"描述"、"圖"；
勾選"模型摘要"、"分類結果"、"預測實測圖"；
勾選"個案處理摘要"；
構成"自變數重要性分析"；
這是第一次嘗試性的分析，主要參數設置如上，其他選項卡接受軟體默認設置，最後返回主面板，點擊"確定"按鈕，軟體開始執行MLP過程。
第一次分析產生的結果：
主要看重點的結果，依次如下：
個案處理摘要表，700個貸款客戶的記錄，其中480個客戶被分配到訓練樣本，佔比68.6%，另外220個客戶分配為支持樣本。
模型摘要表，首次構建的MLP神經網路模型其不正確預測百分比為12.7%，獨立的支持樣本檢驗模型的不正確百分比為20.9%，提示"超出最大時程數"，模型非正常規則中止，顯示有過度學習的嫌疑。
判斷：首次建立的模型需要預防過度訓練。
第二次分析：菜單參數
首次分析懷疑訓練過度，所以第二次分析主要是新增檢驗樣本以及輸出最終的模型結果。
運行「多層感知器」分析，請從菜單中選擇：
分析 > 神經網路 > 多層感知器
▌ "分區"選項卡
對樣本進行重新分配，總700樣本，支持樣本繼續30%，訓練樣本由原來的70%縮減至50%，另外的20%分配給獨立的檢驗樣本空間；
▌ "保存"選項卡
保存每個因變數的預測值或類別；
保存每個因變數的預測擬概率；
▌ "導出"選項卡
將突觸權重估算值導出到XML文件；
給XML模型文件起名並制定存放路徑；
其他選項卡的操作和第一次分析保持一致。返回主面板，點擊"確定"開始執行第二次分析。
第一次分析產生的結果：
總樣本在3個分區的分配比例。
MLP神經網路圖，模型包括1個輸入層、1個隱藏層和1個輸出層，輸入層神經元個數12個，隱藏層9個，輸出層2個。
模型摘要表，模型誤差在1個連續步驟中未出現優化減少現象，模型按預定中止。模型在3個分區中的不正確預測百分比較接近。
模型分類表，軟體默認採用0.5作為正確和錯誤的概率分界，將3大分區樣本的正確率進行交叉對比，顯示出預測為NO，即預測為不拖欠的概率高於拖欠，模型對有拖欠的貸款客戶風險識別能力較低。
預測-實測圖，按照貸款客戶是否拖欠與預測結果進行分組，縱坐標為預測概率。以0.5為分界時，對優質客戶的識別效果較好，但是有較大的概率在識別有拖欠客戶上出錯。
顯然以0.5作為分界並不是最優解，可以嘗試將分界下移至0.3左右，此操作會使第四個箱圖中大量欠貸客戶正確地重新分類為欠貸者，提高風險識別能力。
自變數重要性圖，重要性圖為重要性表格中值的條形圖，以重要性值降序排序。其顯示與客戶穩定性（employ、address）和負債（creddebt、debtinc）相關的變數對於網路如何對客戶進行分類有重大影響；
最後來看導出的XML模型文件：
以XML文件存儲了第二次構建的MLP神經網路模型，可以用於新客戶的分類和風險識別。
新客戶分類
假設現在有150名新客戶，現在需要採用此前建立的模型，對這些客戶進行快速的風險分類和識別。
打開新客戶數據，菜單中選擇：
實用程序 > 評分向導
型"XML文件，點擊"下一步"：
檢查新數據文件變數的定義是否准確。下一步。
選擇輸出"預測類別的概率"、"預測值"。完成。
新客戶數據文件新增3列，分別給出每一個新客戶的預測概率和風險分類（是否欠貸）。
多層感知器神經網路 總結
一種前饋式有監督的學習技術；
多層感知器可以發現極為復雜的關系；
如果因變數是分類型，神經網路會根據輸入數據，將記錄劃分為最適合的類別；
如果因變數是連續型，神將網路預測的連續值是輸入數據的某個連續函數；
建議創建訓練-檢驗-支持三個分區，網路訓練學習將更有效；
可將模型導出成 XML 格式對新的數據進行打分；