SPSS实现多层感知器神经网络

在上文《用SPSS的评分向导功能快速得出模型预测结果》中我们说到，评分向导功能可通过导入的模型快速预测模型结果，而这一功能的使用模型较常使用神经网络模型。

神经网络模型也是近些年大火的人工智能行业基础算法，SPSS软件中支持训练出多层感知器神经网络模型，今天我们一起来看看它是如何通过该专业统计分析软件训练出来的。

一、多层感知器总体介绍

我们准备好训练集数据后，点击【分析】菜单中的【神经网络】，选择第一项【多层感知器】，开始训练神经网络模型。

图1：多层感知器

多层感知器分为8个选项菜单，“变量”和“分区”菜单是训练前的数据准备；“体系结构”菜单用于定义模型的各项参数和优化方法；“训练”菜单用于调整模型的训练参数，如训练批次；“输出”、“保存”和“导出”菜单用于设置模型输出和保存的内容；“选项”菜单用于设置模型除上述步骤外的其他设置项，如模型最长训练时间。

图2：八大菜单

二、操作步骤

第一步：我们先在【变量】菜单中，填入模型的因变量、因子和协变量，因为各个协变量定义标准都不同，因此我们还需对其标准化，如图3。

图3：变量菜单设置

第二步：接下来在“分区”菜单中，将数据按照默认7:3的比例，分为训练集和验证集，训练集用于训练模型，验证集用于验证模型结果，反向优化模型参数，一般来说，训练集数量大于验证集。

图4：分为训练集和验证集

第三步：定义神经网络模型结构，这一步非常重要，默认勾选的是“体系结构自动选择”，我们不采取默认方式，而是勾选“定制体系结构”，然后修改其中的隐藏层数、隐藏层激活函数、输出层激活函数、隐藏层每一层网络的单元数。

一开始上述参数根据过往调参经验设定即可，后续通过模型的准确率，我们需要不断调整上述参数，最终调整到合适的参数，得到准确率较满意的神经网络模型为最终模型。

图5：设定模型参数

第四步：在“训练”菜单中，我们需设置模型训练的批次、优化算法和其他训练选项，如初始学习率。以上训练参数都会在一定程度上影响模型的训练准确率和训练速度，设定太大则训练时间太长，太小则模型拟合的准确率不够高，因此也属于经验参数，需要反复通过训练模型来逐步确定。

图6：设定训练参数

第五步：设定我们要输出的内容，如ROC曲线、神经网络图、分类结果等，设定的内容最终会在模型训练后以图表形式展示出来。完成设置后，点击“确定”按钮，我们开始来训练模型。

图7：设定输出参数

三、模型结果

等待部分时间后，模型训练完成，训练完成后的神经网络模型如下图8所示。

图8：神经网络图

我们在网络信息表格中，就可以看到该神经网络的具体参数，如使用的激活函数、每个隐藏层的单元数等等。

图9：网络信息

训练神经网络是一项非常花费时间的工作，不仅是因为它训练时间长、而且也因为它需要在训练过程中进行反复调参，使模型向更好的结果进行调整拟合，当然神经网络模型也能实现非常强大的功能，逐渐在我们的生活中占据更高的比重。这就是本文关于SPSS软件训练神经网络的简单教程，更多关于IBM SPSS Statistics使用教学，大家可到IBM SPSS Statistics中文网站上查看。 

作者署名：包纸