第六讲 Modeler分类预测：神经网络算法.ppt

1、分类预测：人工神经网络,什么是人工神经网络,神经网络起源于生物神经元的研究，其研究的主要对象是人脑 人脑是一个高度复杂的、非线性、并行处理系统，其中大约有1011个称为神经元的微处理单元。这些神经元之间互相连接，连接数目高达1015 人脑具有联想、推理、判断和决策的能力，对人脑的活动机理的研究一直是一种挑战 人脑智能的核心在于其连接机制，即由于大量简单处理单元（神经元）的巧妙连接，使得人脑成为一个高度复杂的大规模非线性自适应系统,什么是人工神经网络,人工神经网络（Artificial Neural Network, ANN）是一种人脑的抽象计算模型 通过计算机程序实现对人脑系统的模拟，形成类似

2、于生物神经元的处理单元，并希望通过这些处理单元的有机连接，解决现实世界的模式识别、联想记忆、优化计算等复杂问题 人工神经网络主要应用于分类预测和聚类方面,人工神经网络算法概述,人工神经网络组成： 由相互连接的神经元，也称处理单元（Processing Element）组成。处理单元也称结点（Node） 处理单元之间的连接称为边，反映了各处理单元之间的关联性 关联性的强弱体现在边的权值上,人工神经网络算法概述,人工神经网络的种类：从拓扑结构角度划分： 网络层数：两层神经网络、三层神经网络和多层神经网络,结点的作用 结点的个数,人工神经网络算法概述,人工神经网络的种类：从连接方式角度划分 ： 层间

3、连接 前馈式神经网络：连接是单向的，上层结点的输出是下层结点的输入。B-P、Kohonen 反馈式神经网络 ：除单向连接外，输出结点的输出又作为输入结点的输入。Hopfield 层内连接方式是指神经网络同层结点之间相互连接，如Kohonen网络 人工神经网络的种类：从学习方式角度划分： 感知机：采用有指导的学习方法 认知机：采用无指导的学习方法,人工神经网络中的结点和意义,接收上层结点的输出作为本结点的输入，对输入进行计算后给出本结点的输出,加法器：,激活函数：,人工神经网络中的结点和意义,各种激活函数：,人工神经网络中的结点和意义,3，4，5处理单元的偏差为0，激活函数为(0,1)型Sigm

4、oid函数： 结点3：U为：10.20.50.5=0.45，激活函数值为：y1=f(0.45)0.61 结点4：U为：1(0.6)0.5(1.0)=1.1，激活函数值为：y2=f(1.1)0.25 结点5：U为：0.611.00.25(0.5)=0.735，激活函数值为：y3=f(0.735)0.68,人工神经网络中的结点和意义,在加法器和激活函数的共同作用下，结点起到了一个超平面的作用 第一，如何定位一个超平面 第二，如果n维空间中的样本点线性不可分将会怎样,人工神经网络建立的一般步骤,数据准备 数值型变量数据的标准化处理 0，1 分类型变量 网络结构的确定 隐层层数和各隐层中隐结点的个数决

5、定复杂度 网络结构不一定在模型建立之前就完全确定,有4、5、6个类别的分类变量都只需要3个变量即可,人工神经网络建立的一般步骤,网络权值的确定 第一，初始化网络权值：默认为来自均值为0，取值范围在0.5至0.5之间正态分布随机数 0附近、随机数、小区间 第二，计算各处理单元的加法器和激活函数值，得到样本的分类预测值 第三，比较样本的预测值与实际值并计算误差，根据误差值重新调整各网络权值 第四，返回到第二步,感知机,B-P反向传播网络是一种前馈式、多层、感知机网络 每个样本都会提供关于输入输出变量数量关系的信息，应依次向每个样本学习，并根据误差调整网络权值,第一，0时刻，初始化各个网络权值和输出

6、结点的偏差 第二，输入训练样本，t时刻：X=(X1(t),X2(t),Xn(t) 第三，计算输出结点的预测值，t时刻,当输出变量为数值型采用Sigmoid函数，为分类时一般采用0,1阶跃函数,感知机的训练步骤,第四，计算输出结点期望值与预测值的误差，t时刻： 对于二分类输出变量，错判为0则为1，错判为1则为1 第五，调整第i个输入结点和第j个输出结点之间的网络权值和偏差 第六，判断是否满足迭代终止条件。如果没有满足，则重新回到第二步,delta规则,感知机的训练步骤,冲量,学习率,设为1，为0.1，为0，激活函数f=U,B-P反向传播网络,特点： 激活函数采用Sigmoid函数、包含隐层、反向

7、传播 隐层的作用：实现非线性样本的线性化转化,B-P反向传播网络,反向传播： 正向传播：样本信息从输入层开始，由上至下逐层被隐结点计算处理，上层结点的输出为下层结点的输入，最终被传播到输出层结点并得到预测结果。传播期间所有网络权值保持不变 反向传播：误差又被逐层反方向传回给输入结点。传播期间所有网络权值均得到调整。 这种正向传播和反向传播过程将不断重复，直到满足终止条件为止,反向传播算法,计算某输出节点的预测误差： 输出节点的总误差：,找到误差函数下降最快的方向和最大值 如果t时刻权值W的偏导数存在，则W轴上的方向导数就是误差函数对W的偏导。由于Sigmoid激活函数处处可微，满足该条件。,反

8、向传播算法,结点j的局部梯度,第l隐层第j个结点，局部梯度定义为 输出误差经过神经网络依次反向传递，并计算每个结点的局部梯度,网络结构的确定 采用经验值法 快速（Quick）训练法，只包含一个隐层，隐结点数默认为 多层训练法 动态调整法： 动态削剪法 动态增补法,B-P反向传播网络：其他问题,学习率和冲量项 冲量项加快学习过程，甚至可以远离开平坦区域，通常该值的经验值为0.9,B-P反向传播网络：其他问题,敏感性分析 敏感性分析的目的是要得到各输入变量对输出变量的敏感性系数，以及敏感性系数的排序结果 基于网络权值的Tchaban算法: 权积(Weight Product)法：输入变量xi对输出

9、变量 y k的敏感性系数定义为,B-P反向传播网络：其他问题,基本模型 调整模型： Use binary set encoding Neural Net的Expert卡，选择Expert选项自行设置网络结构。如1个隐层，10个隐结点，在预测精度没有明显改善时仍然持续训练100周期等,B-P反向传播网络应用示例 对客户流失建立预测模型,径向基函数网络,径向基函数（Radical Basic Function, RBF）网络是一种前馈式网络，Moody和Darken在1988年提出的。 径向基函数网络特点： 径向基函数网络是三层网络结构 隐结点采用径向基函数（因而得名径向基函数网络），输出结点采用

10、线性加法器和Sigmoid激活函数 径向基函数网络的输入层和隐层之间的网络权值固定为1，只有隐层和输出层之间的网络权值需在学习过程调整，因此学习效率相对要高。,径向基函数网络,隐结点： 径向基函数通常定义为空间中任意一点x到某个中心xc之间的欧氏距离的单调函数，记为ker(|xxc|) 径向基函数网络中的隐结点采用的是高斯核函数 xc称为核函数的中心，称为宽度， h称为径向覆盖长度 关键是核中心xc和宽度的估计 隐结点为非线性函数，实现了输入层到隐层的非线性映射,径向基函数网络,输出结点： 输出结点的输入，是隐结点的输出，是径向基函数 激活函数采用Sigmoid函数,径向基函数网络的学习,第一，隐结点中的核中心xc和宽度的估计 Clementine采用K-means聚类，确定K个核中心xc 核函数宽度： d1是本类中心与