SPSS神经网络心得（二）

这个部分为SPSS神经网络处理输出和保存的一些要点。

输出

网络结构。 显示与神经网络有关的摘要信息。
• 描述。 显示与神经网络有关的信息，包括因变量、输入和输出单位数目、隐藏层和单位数目及激活函数。

• 图表。 将神经网络图表作为不可编辑图表显示。请注意，随着协变量数目和因子级别的增加，图表变得更加难于解释。

• 键结值。 显示表明给定层中的单位与以下层中的单位之间关系的系数估计值。键结值以培训样本为基础，即使活动数据集已划分为培训数据、检验数据和坚持数据。请注意，键结值数目会变得非常大，而且这些权重一般不用于解释网络结果。

网络性能。显示用于确定模型是否“良好”的结果。注意：该组中的图表以训练集和测试集组合为基础，或者如果不存在测试集，则只以训练集为基础。

• 模型摘要。 显示分区和整体神经网络结果的摘要，包括错误、相对错误或不正确预测的百分比、用于终止培训的中止规则和培训时间。恒等、sigmoid 或双曲正切激活函数应用于输出层时，错误为平方和错误。softmax 激活函数应用于输出层时，则为交叉熵错误。

• 分类结果。 分区和整体显示每个分类因变量的分类表。每个表针对每个因变量类别给出正确或错误分类的个案数目。也报告正确分类的总体个案百分比。

• ROC 曲线。 显示每个分类因变量的 ROC（Receiver Operating Characteristic）曲线。其也显示一个给定每个曲线下区域的表格。对于给定因变量，ROC 图表针对每个类别显示一条曲线。如果因变量有两个类别，那么每条曲线将该类别视为正态与其它类别。如果因变量有两个多类别，那么每条曲线将该类别视为正态与所有其它类别的汇总。

• 累积增益图。 显示每个分类因变量的累积增益图。每个因变量类别的曲线的显示与 ROC 曲线相同。

• 增益图。 显示每个分类因变量的增益图。每个因变量类别的曲线的显示与 ROC 曲线相同。

• 观察预测图。 显示每个因变量的观察预测值图表。针对分类因变量，显示每个响应类别的预测拟概率的复式箱图，并且观察响应类别为分群变量。针对刻度因变量，显示散点图。

• 残差分析图。 显示每个刻度因变量的残差分析值图表。残差和预测值之间不存在可见模式。此图表仅针对刻度因变量生成。

个案处理摘要。 显示个案处理摘要表，其通过培训、检验和坚持样本整体总结分析中包含和排除的个案数。

自变量重要性分析。 执行敏感度分析，其计算确定神经网络的每个预测变量的重要性。此操作创建一个显示每个预测变量的重要性和标准化重要性的表和图表。请注意，如果存在大量预测变量或个案，敏感度分析需要进行大量计算并且很费时。