神经网络中怎么写数据

⑴ 怎么用spss神经网络来分类数据

用spss神经网络分类数据方法如下：

神经网络算法能够通过大量的历史数据，逐步建立和完善输入变量到输出结果之间的发展路径，也就是神经网络，在这个神经网络中，每条神经的建立以及神经的粗细（权重）都是经过大量历史数据训练得到的，数据越多，神经网络就越接近真实。神经网络建立后，就能够通过不同的输入变量值，预测输出结果。例如，银行能够通过历史申请贷款的客户资料，建立一个神经网络模型，用于预测以后申请贷款客户的违约情况，做出是否贷款给该客户的决策。本篇文章将用一个具体银行案例数据，介绍如何使用SPSS建立神经网络模型，用于判断将来申请贷款者的还款能力。

选取历史数据建立模型，一般会将历史数据分成两大部分：训练集和验证集，很多分析者会直接按照数据顺序将前70%的数据作为训练集，后30%的数据作为验证集。如果数据之间可以证明是相互独立的，这样的做法没有问题，但是在数据收集的过程中，收集的数据往往不会是完全独立的（变量之间的相关关系可能没有被分析者发现）。因此，通常的做法是用随机数发生器来将历史数据随机分成两部分，这样就能够尽量避免相同属性的数据被归类到一个数据集当中，使得建立的模型效果能够更加优秀。

在具体介绍如何使用SPSS软件建立神经网络模型的案例之前，先介绍SPSS的另外一个功能：随机数发生器。SPSS的随机数发生器常数的随机数据不是真正的随机数，而是伪随机数。伪随机数是由算法计算得出的，因此是可以预测的。当随机种子（算法参数）相同时，对于同一个随机函数，得出的随机数集合是完全相同的。与伪随机数对应的是真随机数，它是真正的随机数，无法预测也没有周期性。目前大部分芯片厂商都集成了硬件随机数发生器，例如有一种热噪声随机数发生器，它的原理是利用由导体中电子的热震动引起的热噪声信号，作为随机数种子。

⑵ 我研究BP神经网络，想问下插做数据如何用，起到什么作用，求详解

多看看文献吧神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在你的问题中，首先要找到某些问题的一些特征，以及对应的评价数据，用这些数据来训练神经网络。 虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。 首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。 其次，BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。 再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。 最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。

⑶ 想用神经网络做评价模型，请问在matlab中输入数据是什么Target数据是什么

输入数据是因子，是变量，是x，target是结果，是对应x下的y值。评价模型首先你肯定有评价的指标，这个就是y。其余对这个指标有影响的因素就是x。
你的例子里输入就是90*20的矩阵，target就是90*1的矩阵。模型训练好以后，用剩下的10家去检验模型。
神经网络基本原理就是得到一个自变量x的方程，使得通过方程计算的结果与实际的y之间的差值最小，从而说明模型的正确性，用于后续的评价和预测等。

⑷ bp神经网络对输入数据和输出数据有什么要求

p神经网络的输入数据越多越好，输出数据需要反映网络的联想记忆和预测能力。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。BP网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。

(4)神经网络中怎么写数据扩展阅读：

BP算法主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。

1、初始化，随机给定各连接权及阀值。

2、由给定的输入输出模式对计算隐层、输出层各单元输出

3、计算新的连接权及阀值，计算公式如下：

4、选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。

⑸ 在没有大量数据的情况下怎样在神经网络中构造数据,以BP神经网络为例，

你可以用随机数产生神经网络的训练和测试数据
如：下面是产生范围在0.2~2的150*4的矩阵，前三列为输入数据，第四列为输出数据
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; %设置隐层节点数
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 数据挖掘中关于神经网络的论文怎么写

我给你发个摘要吧随着4G时代的到来，电信市场的竞争越来越激烈，客户资源成为电信企业竞争的焦点。而客户消费行为规律是客户知识的重要组成部分，因此基于消费行为认知的客户细分就成为电信企业客户关系管理的重头戏。利用数据挖掘算法针对某一具体的客户消费数据集进行分析，挖掘出有趣的信息，并根据这些有趣的结论进一步调整企业的营销策略。本文针对当前电信企业在4G客户细分方面的不足，结合电信企业客户的特征通过关联分析来实现对电信企业现有客户的细分，帮助电信企业实现电信客户的合理分类，从而对电信企业的营销策略提出指导性意见。通过对某一运营商的4G客户数据库进行分析，采用Apriori算法发现客户消费行为和消费特点之间有趣的关联规则，并根据这些信息进一步分析，为营销决策者提供一种新的思考问题的视角。本文的研究思路是对样本数据进行预处理后，将样本数据划分为换4G卡、换4G套餐、换4G终端三大客户群体，再分别计算出月均arpu值、月均mou值、月均dou值，最后利用Clementine软件对三大客户群体的这三个值进行基于MDLP原则的熵分组，得到细分的特征客户群。然后对这些客户群再做进一步的研究，利用Apriori算法产生频繁项集，依据频繁项集产生简单关联规则，挖掘出客户消费行为和细分变量品牌、arpu值、mou值和dou值之间的关联关系，总结出相应的规律，帮助电信企业找到特定消费群体的消费习惯，以此为基础，对所识别出来的消费群体进行有针对性的营销。

⑺ 小白对于神经网络的数据集的问题

标准数据集是神经网络的训练基础。训练就相当于条件反射中的条件，是已知的条件。来源是“经验”，是已知的映射组，当在神经网络中载入标准数据集后，神经网络随机生成一组矩阵，用矩阵处理标准集中的输入集后，用所得结果与标准输出集比较，将误差提出后根据误差，向减少误差的方向修改矩阵组，然后重复多次以后，误差减小到一定程度，标准输入集输入网络后能得到标准输出集，训练完成。这个矩阵组就是神经网络模型。神经网络就是用电脑在标准数据集上总结经验，来对新的输入进行映射