神经网络图怎么设置

A. 中国知网的作者合作网络分析图阈值怎么设置

1、首先需要了解BP神经网络是一种多层前馈网络。2、以看一下在matlab中BP神经网络的训练函数，有梯度下降法traingd,弹性梯度下降法trainrp，自适世知高应lr梯度下降法traingda等。搜尺

3、在matlab中命令行窗口中定义输入P，输出T，·通过“newff(minmax(P),[5,1]构建BP神经网络，“[net,tr]=train(net,P,T);”进行网络训练，“sim(net,P)”得到仿真预测值。

4、在命令行窗口按回车键之后，可以看到出现结果弹窗，最上面的Neural Network下面依次代表的是“输入、隐含层、输出层、输出”，隐含层中有5个神经元。

5、Progress下面的Epoch代表迭代次数，Gradient代表梯度，Vaildation Checks代表有效性检查，最后的绿色对勾代表性能目标达成。

6、最后将实际曲猛册线和预测曲线绘制出来，可以看到使用BP神经网络预测的结果曲线基本和实际输出曲线一致。

B. 深度神经网络dnn怎么调节参数

深度神经网络（DNN）目前是许多现代AI应用的基础。
自从DNN在语音识别和图像识别任务中展现出突破性的成果，使用DNN的应用数量呈爆炸式增加。这些DNN方法被大量应用在无人驾驶汽车，癌症检测，游戏AI等方面。
在许多领域中，DNN目前的准确性已经超过人类。与早期的专家手动提取特征或制定规则不同，DNN的优越性能来自于在大量数据上使用统计学习方法，从原始数据中提取高级特征的能力，从而对输入空间进行有效的表示。

然而，DNN超高的准确性是以超高的计算复杂度为代价的。
通常意义下的计算引擎，尤其是GPU，是DNN的基础。因此，能够在不牺牲准确性和增加硬件成本的前提下，提高深度神经网络的能量效率和吞吐量的方法，对于DNN在AI系统中更广泛的应用是至关重要的。研究人员目前已经更多的将关注点放在针对DNN计算开发专用的加速方法。
鉴于篇幅，本文主要针对论文中的如下几部分详细介绍：
DNN的背景，历史和应用
DNN的组成部分，以及常见的DNN模型
简介如何使用硬件加速DNN运算
DNN的背景
人工智能与深度神经网络

深度神经网络，也被称为深度学习，是人工智能领域的重要分支，根据麦卡锡（人工智能之父）的定义，人工智能是创造像人一样的智能机械的科学工程。深度学习与人工智能的关系如图1所示：

图1：深度神经网络与人工智能的关系
人工智能领域内，一个大的子领域是机器学习，由Arthur Samuel在1959年定义为：让计算机拥有不需要明确编程即可学习的能力。
这意味着创建一个程序，这个程序可以被训练去学习如何去做一些智能的行为，然后这个程序就可以自己完成任务。而传统的人工启发式方法，需要对每个新问题重新设计程序。
高效的机器学习算法的优点是显而易见的。一个机器学习算法，只需通过训练，就可以解决某一领域中每一个新问题，而不是对每个新问题特定地进行编程。
在机器学习领域，有一个部分被称作brain-inspired computation。因为人类大脑是目前学习和解决问题最好的“机器”，很自然的，人们会从中寻找机器学习的方法。
尽管科学家们仍在探索大脑工作的细节，但是有一点被公认的是：神经元是大脑的主要计算单元。
人类大脑平均有860亿个神经元。神经元相互连接，通过树突接受其他神经元的信号，对这些信号进行计算之后，通过轴突将信号传递给下一个神经元。一个神经元的轴突分支出来并连接到许多其他神经元的树突上，轴突分支和树突之间的连接被称为突触。据估计，人类大脑平均有1014-1015个突触。
突触的一个关键特性是它可以缩放通过它的信号大小。这个比例因子可以被称为权重（weight），普遍认为，大脑学习的方式是通过改变突触的权重实现的。因此，不同的权重导致对输入产生不同的响应。注意，学习过程是学习刺激导致的权重调整，而大脑组织（可以被认为是程序）并不改变。
大脑的这个特征对机器学习算法有很好的启示。
神经网络与深度神经网络

神经元的计算是输入值的加权和这个概念启发了神经网络的研究。这些加权和对应于突触的缩放值以及神经元所接收的值的组合。此外，神经元并不仅仅是输入信号的加权和，如果是这样的话，级联的神经元的计算将是一种简单的线性代数运算。
相反的是，神经元组合输入的操作似乎是一种非线性函数，只有输入达到某个阈值的时候，神经元才会生成输出。因此，通过类比，我们可以知道神经网络在输入值的加权和的基础上应用了非线性函数。
图2（a）展示了计算神经网络的示意图，图的最左边是接受数值的“输入层”。这些值被传播到中间层神经元，通常也叫做网络的“隐藏层”。通过一个或更多隐藏层的加权和最终被传播到“输出层”，将神经网络的最终结果输出给用户。

图2：神经网络示意图

在神经网络领域，一个子领域被称为深度学习。最初的神经网络通常只有几层的网络。而深度网络通常有更多的层数，今天的网络一般在五层以上，甚至达到一千多层。
目前在视觉应用中使用深度神经网络的解释是：将图像所有像素输入到网络的第一层之后，该层的加权和可以被解释为表示图像不同的低阶特征。随着层数的加深，这些特征被组合，从而代表更高阶的图像特征。
例如，线可以被组合成形状，再进一步，可以被组合成一系列形状的集合。最后，再训练好这些信息之后，针对各个图像类别，网络给出由这些高阶特征组成各个对象的概率，即分类结果。
推理（Inference）与训练（Training）
既然DNN是机器学习算法中的一员，那么它的基本编程思想仍然是学习。DNN的学习即确定网络的权重值。通常，学习过程被称为训练网络（training）。一旦训练完成，程序可以使用由训练确定的权值进行计算，这个使用网络完成任务的操作被被称为推断（inference）。
接下来，如图3所示，我们用图像分类作为例子来展示如何训练一个深度神经网络。当我们使用一个DNN的时候，我们输入一幅图片，DNN输出一个得分向量，每一个分数对应一个物体分类；得到最高分数的分类意味着这幅图片最有可能属于这个分类。
训练DNN的首要目标就是确定如何设置权重，使得正确分类的得分最高（图片所对应的正确分类在训练数据集中标出），而使其他不正确分类的得分尽可能低。理想的正确分类得分与目前的权重所计算出的得分之间的差距被称为损失函数（loss）。
因此训练DNN的目标即找到一组权重，使得对一个较大规模数据集的loss最小。

图3：图像分类

权重（weight）的优化过程类似爬山的过程，这种方法被称为梯度下降（gradient decent）。损失函数对每个权值的梯度，即损失函数对每个权值求偏导数，被用来更新权值（例：第t到t+1次迭代：，其中α被称为学习率（Learning rate）。梯度值表明权值应该如何变化以减小loss。这个减小loss值的过程是重复迭代进行的。
梯度可以通过反向传播（Back-Propagation）过程很高效地进行计算，loss的影响反向通过网络来计算loss是如何被每个权重影响的。
训练权重有很多种方法。前面提到的是最常见的方法，被称为监督学习，其中所有的训练样本是有标签的。
无监督学习是另一种方法，其中所有训练样本都没有标签，最终目标是在数据中查找结构或聚类。半监督学习结合了两种方法，只有训练数据的一小部分被标记（例如，使用未标记的数据来定义集群边界，并使用少量的标记数据来标记集群）。
最后，强化学习可以用来训练一个DNN作为一个策略网络，对策略网络给出一个输入，它可以做出一个决定，使得下一步的行动得到相应的奖励;训练这个网络的过程是使网络能够做出使奖励（即奖励函数）最大化的决策，并且训练过程必须平衡尝试新行为（Exploration）和使用已知能给予高回报的行为（Exploitation）两种方法。

用于确定权重的另一种常用方法是fine-tune，使用预先训练好的模型的权重用作初始化，然后针对新的数据集（例如，传递学习）或新的约束（例如，降低的精度）调整权重。与从随机初始化开始相比，能够更快的训练，并且有时会有更好的准确性。

C. 用什么软件制作神经网络结构图，类似下图这种

看你用在哪里，如果用在文档中，用Word的插入形状就可绘制。

D. spss分区是什么意思

SPSS多层感知器神经网络分析是基于模仿人类大脑结构及思维模式的信息处理系统，可通过算法从数据中学习并形成训练模型，再将模型用于分析数据以得到预测结果，因此在进行神经网络分析时会将数据分为训练区与检验区，以便于得到准确预测数据的概率，SPSS神经网络怎么分区，SPSS神经网络如何解读呢？今天一起来看看吧。
一、SPSS神经网络怎么分区
先将现有数据表格导入SPSS中，或者在SPSS安装文件夹下的“Sample”文件夹中有很多自带的数据模板，可以用这些模板数据来体验功能效果。
SPSS自宴芹带数据模板
图1：SPSS自带数据模板
点击菜单“分析”-“神经网络”-“多层感知器”陪誉进入神经网络设置面板。
神经网络多层感知器设置
图2：神经网络多层感知器设置
在变量设置板块中，将想要预测的变量置入因变量，将类型变量加入因子，将其他连续型变量加入协变量。
神经网络变量设置
图3：神经网络变量设置
在“分区”板块可以对神经网络进行分区。
设置分区数据
图4：设置分区数据
在分区设置有两种分区方式。
1、随机分区
可以根据样本数量自动分配个案，默认是训练数据占70%，检验数据占30%，而且这两者的占比可以手动调整，从芦祥段样本总量中随机划分训练样本与检验样本。
2、分区变量指定样本分区
通过给样本指定分区变量来进行分配，这样就能有目的性地将一部分样本设置为训练集，另一部分设置为检验集，并进行针对性地神经网络分析。
在完成神经网络设置后开始神经网络分析，SPSS会自动生成输出文档，包括网络图、模型摘要、参数估算值、预测图、自变量重要性图等。
二、SPSS神经网络如何解读
通过上面的数据可以得到一份分析报告，按照报告中数据与表格展现顺序，我们来看看神经网络分析数据的解读方法。
1、个案处理摘要
个案处理摘要
图5：个案处理摘要
这里是SPSS对数据的分区与采用摘要数据，共1500条数据，随机分配了1046条作为训练集数据，占比69.7%，剩余数据则作为检验集数据，占比30.3%，没有无效数据，所以“排除”为0。
2、网络信息
网络信息
图6：网络信息
这一部分内容分三层，显示了本次分析所设置的输入层影响因子与协变量内容，隐藏层单元数，以及输出层的内容。
3、神经网络图
神经网络图
图7：神经网络图
这一部分可以看到不同变量之间的颜色、图形各不相同，一个变量的线条颜色越深，代表其在计算分析中的权重越高；变量的板块越大，则代表其价值越高。
4、分类
分类数据
图8：分类数据
从分类数据中可以看到随机分配的训练集与检验集中样本数据的预测正确率仅有“59.3%”和“58.6%”，说明本次分析效果不是很好，正确率较低。（正确率低不代表神经网络算法不好，而是说明这份样本数据不适合用神经网络算法来进行分析）

E. visio画神经网络图

打开visio软件，选择“网络”，选择一个一个要画的网络图类型，在这里选择“基本网络图”
使用visio如何画简单的网络连接图

大概了解一下软件的功能
使用visio如何画简单的网络连接图

按照提示，先画一个路由器和一个交换机
使用visio如何画简单的网络连接图

再添加一台PC机
使用visio如何画简单的网络连接图

点击“连线工具”
使用visio如何画简单的网络连接图

把鼠标停留在带“x”的点上后，颜色会自动变红，提示当前的连接点！把三个设备全部连接完成后，一个简单的小网络图就完成了！
使用visio如何画简单的网络连接图

F. LeNet神经网络

LeNet神经网络由深度学习三巨头之一的Yan LeCun提出，他同时也是卷积神经网络 (CNN，Convolutional Neural Networks)之父。LeNet主要用来进行手写字符的识别与分类，并在美国的银行中投入了使用。LeNet的实现确立了CNN的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到，例如卷积层，Pooling层，ReLU层。虽然LeNet早在20世纪90年代就已经提出了，但由于当时缺乏大规模的训练数据，计算机硬件的性能也较低，因此LeNet神经网络在处理复杂问题时效果并不理想。虽然LeNet网络结构比较简单，但是刚好适合神经网络的入门学习。

LeNet的神经网络结构图如下：

LeNet网络的执行流程图如下：

接下来我们来具体的一层层的分析LeNet的网络结构。首先要了解图像（输入数据）的表示。在LeNet网络中，输入图像是手写字符，图像的表示形式为二维数据矩阵，如下念老图所示：

LeNet网络除去输入输出层总共有六层网络。第一层是卷积层（C1层），卷积核的大小为 5*5 ，卷积核数量为 6 个，输入图像的大小为 32*32 ，因此输入数据在进行第一层卷积之后，输出结果为大小为 28*28 ，数量为 6 个的feature map。卷积操作如下面两幅图所示：

卷积操作的过程可描述为：卷积核在图像上滑动，滑动步长为1（即每次移动一格，水平方向从左到右，到最右边之后再从最左边开始，向下移动一格，重复从左到右滑动），当卷积核与图像的一个局部块重合时进行卷积运行，卷积计算方式为图像块对应位置的数与卷积核对应位置的数相乘，然后将所有相乘结果相加即为feature map的值， 相乘累加之后的结果位于卷积核中心点的位置 ，因此如果是 3*3 的卷积核，feature map比原图像在水平和垂直方向上分别减少两行（上下各一行）和两列（左右各一列），因此上面图像原图为 5*5 ，卷积核为 3*3 ，卷积结果大小为 3*3 ，即 (5-2)*(5-2) ，如果卷积核为 5*5 ，则卷积结果大小为 (5-4)*(5-4) 。上图中的卷积核为：

由于神经网络层与层的结构是通过连接来实现的，因此输入层与第一个卷积层的连接数量应为 (32-2-2)*(32-2-2)*(5*5+1)*6= 28*28*156 =122304 。

卷积的作用主要是：通过卷积运算，可以使原信号特征增强，并且降低噪音。在图像上卷积之后主要是减少图像噪声，提取图像的特征。例如sobel算子就是一种卷积运算，主要是提友喊取图像的边缘特征。卷积网络能很好地适应图像的平移不变性：例如稍稍移动一幅猫的图像，它仍然是一幅猫的图像。卷积操作保留了图像块之间的空间信息，进行卷积操作的图像块之间的相对位置关系没有改变。图像在不同卷积仔告升核上进行卷积之后的效果图如下：

图像在LeNet网络上进行第一层卷积之后，结果为大小为 28*28 ，数量为 6 个的feature map。LeNet网络的第二层为pooling层（S2层），也称为下采样。在图像处理中，下采样之后，图像的大小会变为原来的 1/4 ，即水平方向和垂直方向上图像大小分别减半。Pooling有多种，这里主要介绍两种，max-pooling和average-pooling。max-pooling即为从四个元素中选取一个最大的来表示这四个元素，average-pooling则用四个元素的平均值来表示这四个元素。Pooling示意图如下：

在LeNet在进行第二层Pooling运算后，输出结果为 14*14 的 6 个feature map。其连接数为 (2*2+1) * 14 * 14 *6 = 5880 。Pooling层的主要作用就是减少数据，降低数据纬度的同时保留最重要的信息。在数据减少后，可以减少神经网络的纬度和计算量，可以防止参数太多过拟合。LeNet在这一层是将四个元素相加，然后乘以参数w再加上偏置b，然后计算sigmoid值。

LeNet第三层（C3层）也是卷积层，卷积核大小仍为 5*5 ，不过卷积核的数量变为 16 个。第三层的输入为 14*14 的 6 个feature map，卷积核大小为 5*5 ，因此卷积之后输出的feature map大小为 10*10 ，由于卷积核有 16 个，因此希望输出的feature map也为 16 个，但由于输入有 6 个feature map，因此需要进行额外的处理。输入的 6 个feature map与输出的 16 个feature map的关系图如下：

如上图所示，第一个卷积核处理前三幅输入的feature map，得出一个新的feature map。

上一层卷积运算之后，结果为大小为 10*10 的 16 个feature map，因此在第四层（S4层）进行pooling运算之后，输出结果为 16 个大小为 5*5 的feature map。与S2层进行同样的操作。

LeNet第五层是卷积层(C5层)，卷积核数目为120个，大小为 5*5 ，由于第四层输出的feature map大小为 5*5 ，因此第五层也可以看成全连接层，输出为120个大小为 1*1 的feature map。

LeNet第六层是全连接层（F6层），有84个神经元（84与输出层的设计有关），与C5层全连接。

LeNet神经网络结构在Caffe中的配置文件如下：

参考资料：

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

G. 一文详解图神经网络(二)

《The Graph Neural Network Model》

图领域的应用主要可以分为两种类型 ：专注于 图的应用(graph-focused) 和 专注于节点的应用(node-focused) 。对于graph-focused的应用，函数 和具体的节点无关，(即 )，训练时，在一个图的数据集中进行分类或回归。对于node-focused的应用， 函数依赖于具体的节点 ，即

在一个图-节点对的集合 ， 表示图的集合， 表示节点集合，图领域问题可以表示成一个有如下数据集的监督和启空学习框架：

其中， 表示集合 中的第 个节点， 表示节点 的期望目标(即标签)。节点 的状态用 表示，该节点的输出用 表示， 为 local transition function ， 为 local output function ，那么 和 的更新方式如下：

其中， 分别表示节点 的特征向量、与节点 相连的边的特征向量、节点 邻居节点的状态向量、节点 邻居节点的特征向量。 分别为所有的状态、所有的输出、所有的特征向量、所有节点的特征向量的叠加起来的向量，那么上面函数可以写成如下形式：

其中， 为 global transition function ， 为 global output function ，分别是 和 的叠加形式

根据 Banach的不动点理论 ，假设 是一个压缩映射函数，那么式子有唯一不动点解，而且可以通过迭代方式逼近该不动点

其中， 表示 在第 个迭代时刻的值，对于任意初值，迭代的误差是以指数速度减小的，使用迭代的形式写出状态和输出的更新表达式为：

GNN的学习就是估计参数 ，使得函数 能够近似估计训练集

其中， 表示在图 中监督学习的节点，对于graph-focused的任务，需要增加一个特殊的节点，该节点用来作为目标节点，这样， graph-focused 任务和 node-focused 任务都能统一到节点预测任务上，学习目标可以是最小化如下二次损失函数

优化算法基于随机梯度下降的策略，优化步骤按照如下几步进行：

在GNN中，函数 不需要满足特定的约束，直接使用多层前馈神经网络，对于函数 ，则需要着重考虑，因为 需要满足压缩映射的条件，而且与不动点计算相关。下面提出两种神经网络和不同的策略来满足这些需求

对于节点n nn状态的计算，将 改成如下形式

相当于是对节点 的每一个邻居节点使用 ，并将得到的值求和来作为节点 的状态，由此，对上式中的函数 按照如下方式实现：

其中，向量 ，矩阵 定唤瞎义为两个前向神旁仔经网络的输出。更确切地说，令产生矩阵 的网络为transition network，产生向量 的网络为forcing network

其中， ， ， 表示将 维的向量整理(reshape)成 的矩阵，也就是说，将transition network的输出整理成方形矩阵，然后乘以一个系数就得到 ， 就是forcing network的输出

在这里，假定 ，这个可以通过设定transition function的激活函数来满足，比如设定激活函数为 tanh() 。在这种情况下， ， 和 分别是 的块矩阵形式和 的堆叠形式，可得：

该式表示 对于任意的参数 是一个压缩映射，矩阵 的 1-norm 定义为：

在这个结构中， 通过多层前馈网络实现，但是，并不是所有的参数 都会被使用，因为同样需要保证 是一个压缩映射函数，这个可以通过惩罚项来实现

其中，惩罚项 在 时为 ，在 时为0，参数 定义为希望的 的压缩系数

NLP新人，欢迎大家一起交流，互相学习，共同成长~~

H. 如何用matlab做神经网络结构图

给你一个实例，希望通过该例子对实现神经网络应用有一定的了解。
%x,y分别为输入和目标向量
x=1:5;
y=[639 646 642 624 652];

%创建一个前馈网络
net=newff(minmax(x),[20,1],{'tansig','purelin'});

%仿真未经训练的网络net并画图
y1=sim(net,x);plot(x,y1,':');
%采用L-M优化算法
net.trainFcn='trainlm';
%设置训练算法
net.trainParam.epochs=500;net.trainParam.goal=10^(-6);
%调用相应算法训练BP网络
[net,tr,]=train(net,x,y);
%对BP网络进行仿真
y1=sim(net,x);
%计算仿真误差
E=y-y1;MSE=mse(E)
hold on
%绘制匹配结果曲线
figure;
plot(x,y1,'r*',x,y,'b--')

执行结果

I. 如何用visio画卷积神经网络图。图形类似下图所示

大概试了一下用visio绘制这个图，除了最左面的变形图片外其余基本可以实现（那个图可以考虑用其它图像处理软件比如Photoshop生成后插入visio），visio中主要用到的图形可以在更多形状-常规-具有透视效果的块中找到块图形，拖入绘图区后拉动透视角度调节的小红点进行调整直到合适为止，其余的块可以按住ctrl+鼠标左键进行拉动复制，然后再进行大小、位置仔细调整就可以了，大致绘出图形示例如下图所示：

J. SPSS统计分析案例:多层感知器神经网络

SPSS统计分析案例:多层感知器神经网络
神经网络模型起源于对人类大脑思维模式的研究，它是一个非线性的数据建模工具， 由输入层和输出层、 一个或者多个隐藏层构成神经元，神经元之间的连接赋予相关的权重， 训练学习算法在迭代过程中不断调整这些权重，从而使得预测误差最小化并给出预测精度。
在SPSS神经网络中，包括多层感知器（MLP）和径向基函数（RBF）两种方法。
本期主要学习多层感知器神经网络，要把它讲清楚是比较困难的，为了能直观感受它的功能，首先以一个案例开始，最后再总结知识。
案例数据
该数据文件涉及某银行在降低贷款拖欠率方面的举措。该文件包含 700 位过去曾获得贷款的客户财务和人口统计信息。请使用这 700 名客户的随机样本创建多层感知器神经网络模型。银行需要此模型对新的客户数据按高或低信用风险对他们进行分类。
第一次分析：菜单参数
要运行“多层感知器”分析，请从菜单中选择：
分析 > 神经网络 > 多层感知器
如上图所示，MLP主面板共有8个选项卡，至少需要设置其中"变量"、"分区"、"输出"、"保存"、"导出"等5个选项卡，其他接受软件默认设置。
▌ "变量"选项卡
将"是否拖欠"移入因变量框；
将分类变量"学历"移入因子框，其他数值变量移入"协变量"框；
因各协变量量纲不同，选择"标准化"处理；
▌ "分区"选项卡
在此之前，首先在 "转换 > 随机数生成器"菜单中设置随机数固定种子为9191972（此处同SPSS官方文档，用户可以自由设定），因为"分区"选项卡中，要求对原始数据文件进行随机化抽样，将数据划分为"训练样本"、"支持样本"、"检验样本"3个区块，为了随机过程可重复，所以此处指定固定种子一枚；
初次建模，先抽样70%作为训练样本，用于完成自学习构建神经网络模型，30%作为支持样本，用于评估所建立模型的性能，暂不分配检验样本；
▌ "输出"选项卡
勾选"描述"、"图"；
勾选"模型摘要"、"分类结果"、"预测实测图"；
勾选"个案处理摘要"；
构成"自变量重要性分析"；
这是第一次尝试性的分析，主要参数设置如上，其他选项卡接受软件默认设置，最后返回主面板，点击"确定"按钮，软件开始执行MLP过程。
第一次分析产生的结果：
主要看重点的结果，依次如下：
个案处理摘要表，700个贷款客户的记录，其中480个客户被分配到训练样本，占比68.6%，另外220个客户分配为支持样本。
模型摘要表，首次构建的MLP神经网络模型其不正确预测百分比为12.7%，独立的支持样本检验模型的不正确百分比为20.9%，提示"超出最大时程数"，模型非正常规则中止，显示有过度学习的嫌疑。
判断：首次建立的模型需要预防过度训练。
第二次分析：菜单参数
首次分析怀疑训练过度，所以第二次分析主要是新增检验样本以及输出最终的模型结果。
运行“多层感知器”分析，请从菜单中选择：
分析 > 神经网络 > 多层感知器
▌ "分区"选项卡
对样本进行重新分配，总700样本，支持样本继续30%，训练样本由原来的70%缩减至50%，另外的20%分配给独立的检验样本空间；
▌ "保存"选项卡
保存每个因变量的预测值或类别；
保存每个因变量的预测拟概率；
▌ "导出"选项卡
将突触权重估算值导出到XML文件；
给XML模型文件起名并制定存放路径；
其他选项卡的操作和第一次分析保持一致。返回主面板，点击"确定"开始执行第二次分析。
第一次分析产生的结果：
总样本在3个分区的分配比例。
MLP神经网络图，模型包括1个输入层、1个隐藏层和1个输出层，输入层神经元个数12个，隐藏层9个，输出层2个。
模型摘要表，模型误差在1个连续步骤中未出现优化减少现象，模型按预定中止。模型在3个分区中的不正确预测百分比较接近。
模型分类表，软件默认采用0.5作为正确和错误的概率分界，将3大分区样本的正确率进行交叉对比，显示出预测为NO，即预测为不拖欠的概率高于拖欠，模型对有拖欠的贷款客户风险识别能力较低。
预测-实测图，按照贷款客户是否拖欠与预测结果进行分组，纵坐标为预测概率。以0.5为分界时，对优质客户的识别效果较好，但是有较大的概率在识别有拖欠客户上出错。
显然以0.5作为分界并不是最优解，可以尝试将分界下移至0.3左右，此操作会使第四个箱图中大量欠贷客户正确地重新分类为欠贷者，提高风险识别能力。
自变量重要性图，重要性图为重要性表格中值的条形图，以重要性值降序排序。其显示与客户稳定性（employ、address）和负债（creddebt、debtinc）相关的变量对于网络如何对客户进行分类有重大影响；
最后来看导出的XML模型文件：
以XML文件存储了第二次构建的MLP神经网络模型，可以用于新客户的分类和风险识别。
新客户分类
假设现在有150名新客户，现在需要采用此前建立的模型，对这些客户进行快速的风险分类和识别。
打开新客户数据，菜单中选择：
实用程序 > 评分向导
型"XML文件，点击"下一步"：
检查新数据文件变量的定义是否准确。下一步。
选择输出"预测类别的概率"、"预测值"。完成。
新客户数据文件新增3列，分别给出每一个新客户的预测概率和风险分类（是否欠贷）。
多层感知器神经网络 总结
一种前馈式有监督的学习技术；
多层感知器可以发现极为复杂的关系；
如果因变量是分类型，神经网络会根据输入数据，将记录划分为最适合的类别；
如果因变量是连续型，神将网络预测的连续值是输入数据的某个连续函数；
建议创建训练-检验-支持三个分区，网络训练学习将更有效；
可将模型导出成 XML 格式对新的数据进行打分；