回歸分析和神經網路哪個好

1. 神經網路優缺點，

優點：

（1）具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網路，網路就會通過自學習功能，慢慢學會識別類似的圖像。

自學習功能對於預測有特別重要的意義。預期未來的人工神經網路計算機將為人類提供經濟預測、市場預測、效益預測，其應用前途是很遠大的。

（2）具有聯想存儲功能。用人工神經網路的反饋網路就可以實現這種聯想。

（3）具有高速尋找優化解的能力。尋找一個復雜問題的優化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經網路，發揮計算機的高速運算能力，可能很快找到優化解。

缺點：

（1）最嚴重的問題是沒能力來解釋自己的推理過程和推理依據。

（2）不能向用戶提出必要的詢問，而且當數據不充分的時候，神經網路就無法進行工作。

（3）把一切問題的特徵都變為數字，把一切推理都變為數值計算，其結果勢必是丟失信息。

（4）理論和學習演算法還有待於進一步完善和提高。

(1)回歸分析和神經網路哪個好擴展閱讀：

神經網路發展趨勢

人工神經網路特有的非線性適應性信息處理能力，克服了傳統人工智慧方法對於直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。

人工神經網路與其它傳統方法相結合，將推動人工智慧和信息處理技術不斷發展。近年來，人工神經網路正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳演算法、進化機制等結合，形成計算智能，成為人工智慧的一個重要方向，將在實際應用中得到發展。

將信息幾何應用於人工神經網路的研究，為人工神經網路的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網路的發展提供了良好條件。

神經網路在很多領域已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、並行處理、自學習、自組織以及非線性映射等優點的神經網路與其他技術的結合以及由此而來的混合方法和混合系統，已經成為一大研究熱點。

由於其他方法也有它們各自的優點，所以將神經網路與其他方法相結合，取長補短，繼而可以獲得更好的應用效果。目前這方面工作有神經網路與模糊邏輯、專家系統、遺傳演算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等的融合。

參考資料：網路-人工神經網路

2. 神經網路挖掘模型與logistic回歸挖掘模型的不同點有哪些

邏輯回歸有點像線性回歸，但是它是當因變數不是數字時使用。比如說因變數是布爾變數（如是/否響應），這時候就需要邏輯回歸。它稱為回歸，但實際上是是根據回歸進行分類，它將因變數分類為兩個類中的任何一個。

網頁鏈接

如上所述，邏輯回歸用於預測二進制輸出。例如，如果信用卡公司打算建立一個模型來決定是否向客戶發放信用卡，它將模擬客戶是否需要這張或者能夠承擔這張信用卡 。

它給出了事件發生概率的對數，以記錄未發生事件的概率。最後，它根據任一類的較高概率對變數進行分類。

而神經網路（Neutral Network）是通過數學演算法來模仿人腦思維的，它是數據挖掘中機器學習的典型代表。神經網路是人腦的抽象計算模型，我們知道人腦中有數以百億個神經元（人腦處理信息的微單元），這些神經元之間相互連接，是的人的大腦產生精密的邏輯思維。而數據挖掘中的「神經網路」也是由大量並行分布的人工神經元（微處理單元）組成的，它有通過調整連接強度從經驗知識中進行學習的能力，並可以將這些知識進行應用。

神經網路就像是一個愛學習的孩子，您教她的知識她是不會忘記而且會學以致用的。我們把學習集（Learning Set）中的每個輸入加到神經網路中，並告訴神經網路輸出應該是什麼分類。在全部學習集都運行完成之後，神經網路就根據這些例子總結出她自己的想法，到底她是怎麼歸納的就是一個黑盒了。之後我們就可以把測試集（Testing Set）中的測試例子用神經網路來分別作測試，如果測試通過（比如80%或90%的正確率），那麼神經網路就構建成功了。我們之後就可以用這個神經網路來判斷事務的分類了。

具體來說，」神經網路「是一組互相連接的輸入/輸出單元，其中每個連接都會與一個券種相關聯。在學習階段，通過調整這些連接的權重，就能夠預測輸入觀測值的正確類標號。因此可以理解為人工神經網路是由大量神經網路元通過豐富完善的連接、抽樣、簡化和模擬而形成的一種信息處理系統。

3. 多元線性回歸與神經網路的優缺點對比

我現在做的畢業設計是數據融合 用了最小二乘法也就是你所說的多元線性回歸和神經網路

4. SPSS軟體進行回歸和神經網路分析後，模擬回歸方程怎麼寫

已經加了QQ,我可以幫您。說一下流程：
第一步，要建立變數，點變數視圖，取名字，回車
第二步，點數據視圖，錄入數據
第三點分析--回歸，調入因變數 和自變數，確定即可。
至於神經網友，我也不會，另請高人吧。
希望能幫上您！劉得意統計服務

5. 邏輯回歸和深度神經網路：哪個更適合你

因為邏輯回歸可以看成是一個簡化的單層神經網路。雖然理論上神經網路具備逼近任意函數的能力，但是實際上很難通過訓練讓一個單層網路擁有這樣的能力。所以一般神經網路至少2層，隨著層數的增加，分類效果也會有一定的上升。

6. 多元線性回歸分析的優缺點

一、多元線性回歸分析的優點：

1、在回歸分析中，如果有兩個或兩個以上的自變數，就稱為多元回歸。事實上，一種現象常常是與多個因素相聯系的，由多個自變數的最優組合共同來預測或估計因變數，比只用一個自變數進行預測或估計更有效，更符合實際。因此多元線性回歸比一元線性回歸的實用意義更大。

2、在多元線性回歸分析是多元回歸分析中最基礎、最簡單的一種。

3、運用回歸模型，只要採用的模型和數據相同，通過標準的統計方法可以計算出唯一的結果。

二、多元線性回歸分析的缺點

有時候在回歸分析中，選用何種因子和該因子採用何種表達 式只是一種推測，這影響了用電因子的多樣性和某些因子的不可測性，使得回歸分析在某些 情況下受到限制。

多元線性回歸的基本原理和基本計算過程與一元線性回歸相同，但由於自變數個數多，計算相當麻煩，一般在實際中應用時都要藉助統計軟體。這里只介紹多元線性回歸的一些基本問題。

(6)回歸分析和神經網路哪個好擴展閱讀

社會經濟現象的變化往往受到多個因素的影響，因此，一般要進行多元回歸分析，我們把包括兩個或兩個以上自變數的回歸稱為多元線性回歸 。

多元線性回歸與一元線性回歸類似，可以用最小二乘法估計模型參數，也需對模型及模型參數進行統計檢驗 。

選擇合適的自變數是正確進行多元回歸預測的前提之一，多元回歸模型自變數的選擇可以利用變數之間的相關矩陣來解決。

Matlab、spss、SAS等軟體都是進行多元線性回歸的常用軟體。

7. 神經網路是回歸演算法還是分類演算法

不是很清楚題主所說的難具體指什麼如果題主指應用演算法解決實際問題的話決策樹要簡單一些有很多封裝的很好的decisiontree的包，比如CART，C4.5等等而神經網路(NN)一般有大量參數需要手工設置和調節如果題主指演算法推導的難度的話兩個差不多吧決策樹的分裂方法可能稍微簡單一下NN的話用BP或者SGD的話都需要用chainrule求導

8. 最小二乘法、回歸分析法、灰色預測法、決策論、神經網路等5個演算法的使用范圍及優缺點是什麼

最小二乘法：通過最小化誤差的平方和尋找數據的最佳函數匹配。利用最小二乘法可以簡便地求得未知的數據，並使得這些求得的數據與實際數據之間誤差的平方和為最小。最小二乘法還可用於曲線擬合。其他一些優化問題也可通過最小化能量或最大化熵用最小二乘法來表達。優點：實現簡單，計算簡單。缺點：不能擬合非線性數據.
回歸分析法：指的是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。在大數據分析中，回歸分析是一種預測性的建模技術，它研究的是因變數（目標）和自變數（預測器）之間的關系。這種技術通常用於預測分析，時間序列模型以及發現變數之間的因果關系。優點：在分析多因素模型時，更加簡單和方便，不僅可以預測並求出函數，還可以自己對結果進行殘差的檢驗，檢驗模型的精度。缺點：回歸方程式只是一種推測，這影響了因子的多樣性和某些因子的不可測性，使得回歸分析在某些情況下受到限制。
灰色預測法：
色預測法是一種對含有不確定因素的系統進行預測的方法 。它通過鑒別系統因素之間發展趨勢的相異程度，即進行關聯分析，並對原始數據進行生成處理來尋找系統變動的規律，生成有較強規律性的數據序列，然後建立相應的微分方程模型，從而預測事物未來發展趨勢的狀況。它用等時間距離觀測到的反應預測對象特徵的一系列數量值構造灰色預測模型，預測未來某一時刻的特徵量，或者達到某一特徵量的時間。優點：對於不確定因素的復雜系統預測效果較好，且所需樣本數據較小。缺點：基於指數率的預測沒有考慮系統的隨機性，中長期預測精度較差。
決策樹：在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大於等於零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由於這種決策分支畫成圖形很像一棵樹的枝幹，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。優點：能夠處理不相關的特徵；在相對短的時間內能夠對大型數據源做出可行且效果良好的分析；計算簡單，易於理解，可解釋性強；比較適合處理有缺失屬性的樣本。缺點：忽略了數據之間的相關性；容易發生過擬合（隨機森林可以很大程度上減少過擬合）；在決策樹當中,對於各類別樣本數量不一致的數據，信息增益的結果偏向於那些具有更多數值的特徵。
神經網路：優點：分類的准確度高；並行分布處理能力強,分布存儲及學習能力強，對雜訊神經有較強的魯棒性和容錯能力，能充分逼近復雜的非線性關系；具備聯想記憶的功能。缺點：神經網路需要大量的參數，如網路拓撲結構、權值和閾值的初始值；不能觀察之間的學習過程，輸出結果難以解釋，會影響到結果的可信度和可接受程度；學習時間過長,甚至可能達不到學習的目的。

9. 最近在研究回歸分析，感覺用神經網路來做這個是不是不太合適，因為最終得到的模型在數學上不是很好表達

神經網路也是什麼都能做，確實在解釋上不好。其實神經網路最後一層也是回歸模型，只是輸入層經過了幾層。現在問題是要精度還是解釋。神經網路需要的數據量大，一般回歸模型沒那麼需要數據但精度不夠。

10. bp神經網路預測和多元線性回歸預測哪一個比較好

可以的，都輸入輸出，線性回歸有確切模型出來，神經網路不一定有確切模型