《数据挖掘与商务智能实验》
实验报告
实验题目：预测分析：人工神经网络
姓名：王俊
学号：201430850164
指导教师：张大斌
实验时间：2016.11.10
2016年11 月10 日
实验题纲：
一、实验目的
1.了解熟悉SPSS Modeler及其相关知识
2.掌握SPSS Modeler工具建立B-P反向传播网络的方法
3.学会运用SPSS Modeler B-P反向传播网络进行相关内容的分析
二、实验内容
本实验将以一份虚拟的电信客户数据为例，文件名为Telephone.sav，它是一个SPSS 文件。该数据中的变量x1至x15分别是：居住地、年龄、婚姻状况、家庭月收入、受教育的程度、性别、家庭人口、基本服务累计开通月数、是否申请无线转移服务、上月基本费用、上月限制性项目的服务费用、无线服务费用、是否电子支付、客户所申请的服务套餐费用、是否流失。本实验实践神经网络的具体操作步骤，目标是建立客户流失预测模型。
三、实验步骤与结果
步骤1 创建K-means聚类数据流
（1）通过“Statistic文件”节点读入文件名为Telephone.sav的数据。（2）在数据流中添加“分区”节点，将样本集划分为训练集和测试集，如图所示
（3）在“建模”模块下选择“神经网络”节点连接在数据流的恰当位置。
步骤2 设置相关参数
（1）点击鼠标右键，点击“编辑”按钮进行主要参数的设置。
（2）在“选项”0选项卡下，勾选“显示反馈图形”。
（3）在“模型”选项卡下，勾选“使用分区数据”和“为每个分割购建模型”；选择“快速”方法；停止采用“默认值”。如图
步骤3 结果运行
计算的结果如图所示
四、实验分析与扩展练习
实验分析：如图所示，造成本实验预测精确度较低的的原因：1.网络结构过于简单，隐藏层数太少，神经元较少；
2.
2.未采用专家模式，对于一些权重（连接强度）分配不合理；
3.学习率设置不好
4.采用的方法不同
修改以上参数后，预测结果精度就会相应的增加
四、结论与讨论(重点)
1.反向传播是B—P反向传播模型较之于感知机最大的不同之处。所谓反向传播，是指Ｂ－Ｐ模型通过输出节点的测量误差，来逐层估计隐节点的误差，即反方向传播误差，从而调整网络权值，以实现输出值的精准化。
B－P反向传播网络算法包括正向传播和反向传播两个阶段。正向传播即从输入层到隐层到输出层，传播期间权值不变；预测误差计算出来后，便进入反向传播过程，即误差被反方向传回给输入节点。传播期间所有的网络可能会均得到调整。这种正向传播和反向传播过程不断重复，直到输出结果满足条件为止。B－P反向传播网络正得名于此。
2.B-P反向传播模型中，隐层起起着相当大的作用，其作用是将线性不可分的样本转化为线性可分的样本。所谓线性可分，指能使用一个超平面将两者分开，则为线性可分，否则则为线性不可分。
3.B-P反向传播模型中，可以通过改变网络结构在调整预测精度：比如增加隐层、
隐节点数量均可。
4.BP算法的执行步骤
在反向传播算法应用于前馈多层网络时，采用Sigmoid为激发面数时，可用下列步骤对网络的权系数Wij 进行递归求取。注意对于每层有n个神经元的时候，即有i＝1，2，…，n；j＝1，2，…，n。对于第k层的第i个神经元，则有n 个权系数Wi1 ，Wi2 ，…，Win ，另外取多—个Win+1 用于表示阀值θi ；并且在输入样本X时，取x＝(X1 ，X2 ，…，Xn ，1)。
算法的执行的步骤如下：
1．对权系数Wij 置初值。
对各层的权系数Wij 置一个较小的非零随机数，但其中Wi ,n+1=-θ。2．输入一个样本X＝(xl ，x2 ，…，xn ，1)，以及对应期望输出Y＝(Y1 ，Y2 ，…，Yn )。
3．计算各层的输出
对于第k层第i个神经元的输出Xi k ，有：
Xi k =f(Ui k )
4．求各层的学习误差di k
对于输出层有k＝m，有
di m =Xi m (1-Xi m )(Xi m -Yi )
对于其他各层，有
5．修正权系数Wij和阀值θ
用式(1—53)时有：
用式(1—54)时有：
(格式按华南农业大学论文格式)
