神经网络在spss中的实现

1.标准化处理 （小编注：原文中有这一步，不过貌似不太需要）

对于神经网络算法在实操中的运用，我们通常要对数据进行标准化处理以消除数据之间的量纲关系，方便数据之间进行很好的比较。

步骤：描述—将标准化值另存为变量

打开原数据，这样我们就可以得到标准化以后的数据。限于篇幅，仅展示部分：

2.神经网络的实现

（1）步骤：分析—神经网络—多层感知器—选定因变量、因子（一般为分类变量）、协变量。

 

 

（2）分区处可以看到spss对于样本训练集和测试集的划分

 

 

spss将样本数据划分为训练样本和测试样本，比例分别为70%，30%

（3）在输出处，可以将以下选项都选上，方便后文的分析

 

 

（4）在保存处将预测值选上

 

 

以上四个步骤是主要的，其余皆为默认选项即可。

3.模型关注点

（1）处理摘要

从上图中可以看出，训练集比例为70%，测试集（检验集）比例为30%。

（2）网络信息

从这个表格中我们可以知道输入层、隐含层、输出层的基本信息。

（3）网络图

从左到右，第1列为输入层，第2列为隐含层，第3列为输出层，也即是我们想要去预测的变量。

（4）模型摘要与分类表

从模型摘要中可以看出，训练集的错误比率为16.4%，测试集的错误比率为15.8%；

从分类表中可以看出，训练集的正确率为83.6%，测试集的正确率为84.2%。

因此，神经网络模型对于样本的预测能力较强。

（5）ROC曲线图

关于ROC曲线，我们主要关注曲线下方的区域（也叫做曲线下方的面积），总面积为1,模型中0和1的区域面积都为0.7，表明模型预测能力较好。

（6）变量重要性（在实务中很重要！）

从变量重要性程度可以看出，在本次模型预测中，模型认为int_rate和loan_to_income这两个变量比较重要；employment和grade这两个变量其次，fico_score、debt_to_income、home这三个变量的重要性程度不是很明显。

以上就是神经网络算法在spss中的实现步骤以及关键信息的解读。此外，我们也可以在spss数据表格中看到我们通过神经网络算法得出的预测值，限于篇幅，仅展示部分：

 

from 神经网络在spss中的实现 – 知乎 (zhihu.com)