一、神经网络所属模块

神经网络在SPSSAU中属于【机器学习】模块。

二、方法概述

神经网络是一类适合处理复杂非线性关系的机器学习方法，既可以做分类，也可以做回归。它适用于变量之间关系较复杂、传统线性方法难以充分刻画的数据分析场景。

三、变量设置规则

1. 总体要求

神经网络共需要设置2类变量，分别是因变量Y和自变量X，两类变量都为必填。

2. 具体设置

（1）因变量Y

● 只能放入1个变量，且为必填。

● 它是模型要预测的目标变量。若Y为类别数据，通常对应分类任务；若Y为定量数据，通常对应回归任务。

（2）自变量X

● 最少放入1个，最多可放入100个变量，且为必填。

● 它们是进入模型进行学习和预测的输入特征，用于帮助模型识别数据规律。

四、参数设置及解释说明

1. 训练集比例

● 用于设置总样本中有多少比例参与模型训练，默认值为0.8。

● 训练样本比例越高，模型学习通常越充分；测试样本相应会减少。多数情况下可先采用默认设置。

2. 数据归一化

● 可选None、norm、mas、mms。

● None表示不处理；norm表示正态标准化；mas表示区间化；mms表示归一化。

● 神经网络对变量量纲较敏感，当不同变量取值范围差异较大时，通常建议进行数据处理。

3. 保存预测值

● 勾选后会额外保存模型预测信息。

● 分类任务下通常会保存预测类别和各类别预测概率；回归任务下通常保存预测值。

4. 保存训练测试标识

● 勾选后会生成训练集和测试集标识，其中训练集记为1，测试集记为2。

● 适合后续核对样本划分，也方便将分析结果回写到原始数据继续使用。

5. 交叉验证

● 默认不进行，也可以选择2折、3折、5折或10折。

● 它用于检验模型在训练数据中的稳定性。折数越高，结果通常更稳定，但计算时间也会更长。

6. 激活函数

● 可选identity、logistic、tanh、relu，默认是relu。

● 激活函数决定模型如何处理输入信息与非线性关系。若数据关系较复杂，通常会优先考虑默认设置。

7. 权重优化方法

● 可选lbfgs、sgd、adam，默认是adam。

● 它用于控制模型如何更新权重。adam在较大数据集上的表现通常较好；sgd更适合配合学习率相关参数一起调整；lbfgs适合部分较小样本场景。

8. L2正则化/惩罚系数

● 该参数用于控制正则化力度，主要作用是降低过拟合风险。

● 数值越大，限制越强；数值越小，模型通常更容易贴合训练数据。若担心模型过拟合，可适当提高该参数。

9. 初始学习率

● 用于控制模型更新权重时每一步调整的幅度。

● 该参数仅在权重优化方法为sgd或adam时使用。数值过大可能导致训练不稳定，数值过小则可能收敛较慢。

10. 学习率优化方法

● 可选constant、invscaling、adaptive，默认是constant。

● 该参数用于进一步控制学习率变化方式，仅在权重优化方法为sgd时使用。

● 如果希望训练过程更灵活，可根据模型稳定性尝试不同选项。

11. Batch Size

● 可选auto或custom，默认是auto。

● 它表示每次随机优化时用于更新参数的样本批次大小。若选择auto，系统会自动按规则确定。

12. 自定义Batch Size

● 当Batch Size选择custom时使用。

● 批次较小，更新更频繁；批次较大，训练过程通常更平稳。实际设置时可结合样本量与训练速度一起考虑。

13. 最大迭代次数

● 表示模型最多允许训练多少次，默认值为200。

● 如果达到该次数仍未收敛，模型会停止。数据关系较复杂时，可关注该参数是否影响结果稳定性。

14. 优化容忍度

● 用于控制模型在什么条件下结束训练。

● 当误差变化率小于该值时，模型会停止构建。该值越小，通常意味着模型收敛要求更严格。

15. 任务类型

● 可选自动判断、分类任务、回归任务，默认是自动判断。

● 如果因变量类型非常明确，系统通常可以自动识别；若希望强制按分类或回归方式运行，也可手动指定。

16. 隐层神经元设置

● 可对隐层结构中的神经元个数进行设置，默认展示第1层神经元数量。

● 该设置会影响模型对复杂关系的学习能力。神经元数量增加后，模型表达能力通常更强，但也更容易出现过拟合。

五、分析结果表格及其解读

SPSSAU完成神经网络分析后，会根据任务类型输出不同结果表，常见包括基本信息汇总、特征权重值、模型评估结果、训练集模型评估结果、交叉验证模型评估结果、测试集模型评估结果、模型汇总表、AUC指标值和数据集情况。

1. 表1：神经网络基本信息汇总或神经网络分类基本信息汇总

这张表用于展示参与建模的数据概况。分类任务下会呈现各类别频数与占比；回归任务下会呈现有效、缺失和总计情况。

● 频数：表示每个类别或状态对应的样本数量。若某一类别样本明显偏少，后续识别结果通常更不稳定。

● 百分比：表示对应样本在总体中的占比。若类别分布差异很大，模型可能更偏向样本量较多的类别。

● 有效样本：表示真正进入建模的数据量。有效样本越充分，结果通常越可靠。

● 缺失样本：表示未进入模型的数据量。若缺失占比偏高，需要更谨慎解读分析结果。

2. 表2：特征权重值

该表格在输出相关结果时出现，用于展示各自变量在模型中的相对重要性，包含项和权重值两个核心指标。

● 项：表示进入模型的特征名称。

● 权重值：表示变量对模型结果的相对贡献。通常数值越大，说明该变量越重要；更适合做变量之间的相对比较。

3. 表3：模型评估结果或训练集模型评估结果

这部分表格用于判断模型在训练阶段的表现。回归任务下通常包含R方值、MAE、MSE、RMSE、MAD、MAPE、EVS、MSLE等指标；分类任务下通常包含精确率、召回率、f1-score和样本数。

● R方值：用于衡量模型解释结果变化的能力，通常越接近1越好。

● MAE：表示平均误差水平，越接近0越好，越小说明预测偏差越小。

● MSE：表示误差平方后的平均水平，越接近0越好，对较大的误差更敏感。

● RMSE：表示整体误差水平，越小越好，便于直观理解预测偏差大小。

● MAD：表示中位数绝对误差，对异常值不那么敏感，越小越好。

● MAPE：表示平均百分误差，越小越好，适合观察相对误差水平。

● EVS：表示模型对数据波动的解释力度，通常越接近1越好。

● MSLE：表示对数误差水平，越小越好，可作为辅助参考。

● 精确率：表示模型判定为某类时有多大概率判对，越高越好。

● 召回率：表示某类别真实样本被识别出来的比例，越高越好。

● f1-score：综合反映精确率与召回率的平衡情况，越高越好。

● 样本数：表示对应类别参与评估的样本量，样本量较少时，该类指标波动可能更大。

4. 表4：交叉验证模型评估结果或测试集模型评估结果

交叉验证模型评估结果仅在开启交叉验证时输出，用于观察模型在重复划分训练数据后的稳定表现；测试集模型评估结果用于判断模型在未参与训练样本上的实际效果。

● 如果交叉验证结果与训练集结果接近，通常说明模型稳定性较好。

● 如果测试集表现明显弱于训练集，通常说明模型在新样本上的泛化能力一般，后续可考虑调整参数或优化数据。

5. 表5：模型汇总表或AUC指标值

模型汇总表用于集中展示本次分析使用的参数设置及模型评估效果，便于快速回顾建模方案；AUC指标值在输出ROC相关结果时出现，用于展示训练集和测试集的区分能力。

● 参数名：表示本次分析采用的参数项目。

● 参数值：表示对应参数的具体设置，作用是帮助复现实验过程。

● AUC：用于衡量模型区分类别的能力，通常越接近1越好；若接近0.5，通常说明区分能力较弱。

6. 表6：数据集情况

该表格用于展示训练集、测试集、预测集和缺失数据的数量与占比。

● 训练集：用于模型学习，比例过低时模型可能学得不充分。

● 测试集：用于检验模型效果，比例过少时评估稳定性可能不足。

● 预测集：表示仅用于生成预测结果的数据。

● 缺失数据：表示未能进入分析的数据量，若占比偏高，需要关注数据完整性问题。

六、分析结果图表及其解读

SPSSAU完成神经网络分析后，常见会输出特征权重图；在分类任务下，还会输出测试集结果混淆矩阵和ROC曲线。

1. 图1：特征权重图

该图表本质上是条形图，用于直观展示各特征在模型中的相对重要性。

● 条形越长，通常说明该特征对模型结果影响越大。

● 如果少数变量明显高于其他变量，说明模型更依赖这些关键特征。

2. 图2：测试集结果混淆矩阵

该图表在分类任务下输出，用于查看真实类别与预测类别之间的对应关系，是判断分类效果的直观图形。

● 如果对角线位置数值更集中、更高，通常说明模型分类更准确。

● 如果非对角线位置数值较多，说明某些类别更容易被混淆。

3. 图3：ROC曲线

该图表在分类任务下输出，用于展示模型在不同判定阈值下的区分能力，通常可同时查看训练集和测试集表现。

● 曲线越靠近左上方，通常说明模型区分能力越强。

● 若测试集曲线明显弱于训练集，通常说明模型在新样本上的稳定性一般。

● 实际解读时，建议结合AUC指标值一起看，这样更容易判断模型是否具有较好的分类能力。

以上就是SPSSAU神经网络的相关内容，更深入教程可查看SPSSAU帮助手册、教学视频、疑难解惑等资料。