SPSS神經網絡心得（二）

這個部分為SPSS神經網絡處理輸出和保存的一些要點。

輸出

網絡結構。顯示與神經網絡有關的摘要信息。
? 描述。 顯示與神經網絡有關的信息，包括因變量、輸入和輸出單位數目、隱藏層和單位數目及激活函數。

? 圖表。 將神經網絡圖表作為不可編輯圖表顯示。請注意，隨著協變量數目和因子級別的增加，圖表變得更加難于解釋。

? 鍵結值。 顯示表明給定層中的單位與以下層中的單位之間關系的系數估計值。鍵結值以培訓樣本為基礎，即使活動數據集已劃分為培訓數據、檢驗數據和堅持數據。請注意，鍵結值數目會變得非常大，而且這些權重一般不用于解釋網絡結果。

網絡性能。顯示用于確定模型是否“良好”的結果。注意：該組中的圖表以訓練集和測試集組合為基礎，或者如果不存在測試集，則只以訓練集為基礎。

? 模型摘要。 顯示分區和整體神經網絡結果的摘要，包括錯誤、相對錯誤或不正確預測的百分比、用于終止培訓的中止規則和培訓時間。恒等、sigmoid 或雙曲正切激活函數應用于輸出層時，錯誤為平方和錯誤。softmax 激活函數應用于輸出層時，則為交叉熵錯誤。

? 分類結果。 分區和整體顯示每個分類因變量的分類表。每個表針對每個因變量類別給出正確或錯誤分類的個案數目。也報告正確分類的總體個案百分比。

? ROC 曲線。 顯示每個分類因變量的 ROC（Receiver Operating Characteristic）曲線。其也顯示一個給定每個曲線下區域的表格。對于給定因變量，ROC 圖表針對每個類別顯示一條曲線。如果因變量有兩個類別，那么每條曲線將該類別視為正態與其它類別。如果因變量有兩個多類別，那么每條曲線將該類別視為正態與所有其它類別的匯總。

? 累積增益圖。 顯示每個分類因變量的累積增益圖。每個因變量類別的曲線的顯示與 ROC 曲線相同。

? 增益圖。 顯示每個分類因變量的增益圖。每個因變量類別的曲線的顯示與 ROC 曲線相同。

? 觀察預測圖。 顯示每個因變量的觀察預測值圖表。針對分類因變量，顯示每個響應類別的預測擬概率的復式箱圖，并且觀察響應類別為分群變量。針對刻度因變量，顯示散點圖。

? 殘差分析圖。 顯示每個刻度因變量的殘差分析值圖表。殘差和預測值之間不存在可見模式。此圖表僅針對刻度因變量生成。

個案處理摘要。顯示個案處理摘要表，其通過培訓、檢驗和堅持樣本整體總結分析中包含和排除的個案數。

自變量重要性分析。 執行敏感度分析，其計算確定神經網絡的每個預測變量的重要性。此操作創建一個顯示每個預測變量的重要性和標準化重要性的表和圖表。請注意，如果存在大量預測變量或個案，敏感度分析需要進行大量計算并且很費時。