您确定要删除吗?

取消
首页 算法大全 应用模型 分析软件 算法学院数据中心 在线体验 关于本站
在线咨询
400-820-6981
意见反馈
返回顶部

BP神经网络

操作系统:
0
  • Windows
  • Linux
版本:
  • 单机版
  • 网络版
  • 分布式云平台
系统位数:
  • 32位
  • 64位
购买年限:
  • 1年
  • 2年
  • 3年
  • 5年
  • 10年
  • 永久

价格¥0.00元

马克威BP神经网络

马克威操作说明

以数据文件“马克威通用数据1.mkw”来说明BP神经网络建模与应用的过程。首先,在工作区内,打开建模分析工作流:“机器学习”→“神经网络”→“BP神经网络”,接着选择模型的训练或应用,然后选择数据源,并设置算法参数,最后双击运行按钮。具体的操作如下:

(1)模型训练

选择模型任务为“训练”,然后选择“结果”为目标变量,变量“用户评价”为目标变量,“年龄”、“浏览次数”、“交易单价”、“购买总额”、“用户喜好”、“到达天数”为输入变量,并设置如下图所示:

BP神经网络-属性设置

选项说明

目标变量:需要预测的变量。

输入变量:与所预测的对象有关的变量。

模型设置:设置模型的参数,说明如下:

系统精度:用来衡量训练结果好坏的参数,精度越小,则预测准确率越高,系统默认值为 0.001。用户可根据具体需要和数据质量来调整此参数。注意:系统精度和预测误差相关,但不等于预测误差。

最大训练次数:用于控制计算时间。当算法迭代到最大训练次数时,如果此时算法未收敛,则跳出循环,输出当前系统精度供用户选择。

学习率:每次参数改变的速率,对训练收敛速度和预测准确度皆有影响。系统默认为 0.1,用户可多次调节,以获得最佳的学习率设置。

隐含层神经元数目:这是设定 BP神经网络结构的关键参数,对训练结果有直接影响。一般来说,隐含层神经元数目设为输入变量数目的50%~70%为佳。隐含层神经元数目越多,则运算量越大。建议用户可多次调节,以求达到最佳预测效果。

最长运行时间:指定该算法运行的最长时间,如果运算的时间达到该指定时间时则强制跳出,并认为该算法失败,不输出运算结果。在下拉列表中,系统提供了以下时间设置:10分钟、1小时、2小时、7小时、1天、2天、7天和不限时。系统默认为“不限时”。

路径:选择训练模型的保存路径。

双击“运行”节点,系统进入分析过程,分析结束后,展示结果如下:

BP神经网络-树形结果列表 BP神经网络-变量训练结果

结果说明

在上述表中,给出了模型的预测值和实际值,以及绝对误差和相对误差的值,通过相对误差可以看出整个模型的拟合效果还是非常好的。

(2)模型应用

完成模型训练后,可以应用模型对数据进行分析,则在“模型任务”栏,选择“应用”,并选择模型训练时保存的路径来源,将模型变量与数据变量进行匹配,如下图:

BP神经网络-属性设置

选项说明

模型来源:选择训练得到的模型,以进行预测应用。

变量设置:匹配模型中的变量和数据源中的变量。当加载模型文件后,系统会自动根据数据文件和模型文件进行同名匹配。用户也可以根据实际的需要,自定义匹配变量。

双击“运行”节点,系统将应用训练得到的模型对数据进行分析:

BP神经网络-树形结果列表 BP经网络-预测结果

数据要求

特征要求:输入变量和目标变量应该存在因果决定关系,而不是毫无关联的非随机数据,亦即目标变量应是“可预测”的。

类型要求:输入样本数据需为数值型。

完整要求:样本不含缺失值。

数据量要求:为了充分训练参数,样本数据不宜过小。样本单机处理最大数据应在百万量级。

算法用途

BP神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力在许多领域获得了广泛应用。BP神经网络主要应用于对多个变量进行预测和分类。

算法原理

BP神经网络是后向传播网络,通过迭代处理一组训练样本,将每个样本的网络预测与已知的真实值相比较进行学习。对于每个训练样本,修改权值矩阵使得网络预测和真实值之间的均方差达到最小。这种修改“后向”进行,即由输出层经过每个隐藏层,再到输入层。

BP网络结构图

BP算法的基本思想是首先对赋值,对于网络的输入层各节点的输出等于输入。对于中间的隐藏层,节点的输入可表示为

其中,为单元的活性偏量,一般取。BP网络取连续型的激励函数,其形式如

从而可以得到节点的输出

重复以上计算过程,直至得到输出层的实际输出

然后比较实际输出与期望输出,通过误差修改权重和偏置,使得误差达到最小。对于输出单元,误差的形式为

其中,为输出层单元的期望输出。为了避免陷入局部最优解,通过更新权重和偏量,学习率取,可以得到

同理,更新隐含层单元与上一层单元的权重和偏置,可以得到

BP神经网络以其自学习、自组织、较好的容错性和优良的非线性逼近能力在许多领域获得了广泛应用。当数据量巨大、变量很多且为高度非线性时,BP神经网络就有显示出了巨大的威力。但是,它也存在以下缺点:1)收敛速度慢,容易陷入局部极值,难以实现全局最优搜索。2)模型机制和参数意义难以直观解释。3)建立合理的BP神经网络模型需要经验和反复尝试。

注:BP神经网络的初始运算状态为随机产生,因此即使在所有参数设置不变的情况下,每次运算的结果也会有所不同,所以用户可以多次运算,寻找最佳的网络结构和参数。

结果与解释

输出结果:

目标变量训练表:目标变量训练结果。

目标变量预测表:目标变量预测结果。

订购用户 订购时间 年限 运行环境 版本
1832****368 2019-10-15 13:14:44 1年 Windows 单机版
1801****846 2019-05-21 13:58:22 1年 Windows 单机版
1886****911 2019-05-20 14:39:25 1年 Windows 单机版
1592****010 2019-04-21 21:46:08 1年 Windows 单机版
1592****121 2019-03-20 14:21:26 1年 Windows 单机版
1589****975 2019-03-06 12:51:56 1年 Windows 单机版
1801****427 2019-02-18 19:01:48 1年 Windows 单机版
1887****621 2019-02-11 11:08:31 1年 Windows 单机版
1880****553 2019-02-07 22:30:53 1年 Windows 单机版
1343****972 2018-12-09 11:52:13 1年 Windows 单机版
<123· · ·74>跳至

加入购物车成功!

继续购物 去购物车