Principio de red neuronal
En principio, cuando el elemento de característica X, es decir, el elemento de variable independiente, se ingresa en el modelo de red neuronal por primera vez, el elemento de característica, altura, peso, etc , y algunos "elementos de pseudocaracterísticas" (es decir, elementos de características inexplicables que se construyen completamente a partir de modelos sin hechos) se pueden construir en combinación con "funciones de activación". Y en la estructura específica, la estructura de los 'elementos de pseudocaracterísticas' puede tener múltiples niveles (es decir, las 'neuronas de capa oculta' pueden tener múltiples niveles, el valor predeterminado es el nivel 1), y cada nivel puede tener múltiples neuronas (el valor predeterminado es 100). Finalmente, se calcula mediante un algoritmo de optimización matemática para obtener el resultado, es decir, el elemento de predicción.
La red neuronal es un modelo de datos que simula la forma en que piensa el cerebro humano. Existen muchos tipos de redes neuronales, incluida la red neuronal BP, la red neuronal convolucional, MLP, etc. La red neuronal más clásica es MLP (percepción multicapa) y SPSSAU utiliza este modelo por defecto. De manera similar a otros modelos de aprendizaje automático (como árboles de decisión, bosques aleatorios, máquinas de vectores de soporte (SVM), etc.), al construir un modelo de red neuronal, los datos primero se dividen en un conjunto de entrenamiento y un conjunto de prueba. El conjunto de entrenamiento se usa para entrenar el modelo y el conjunto de prueba se usa para probar las ventajas y desventajas del modelo. El modelo de red neuronal se puede usar para la identificación de características importantes, la predicción de datos o el modelo entrenado se puede usar para la implementación. proyectos.
Puedes utilizar SPSSAU para hacer esto: