原文链接http://tecdat.cn/?p=14033

 

神经网络是一种非常通用的灵活预测模型，可用于解决各种问题，包括分类，降维和回归。

现实世界中的一些业务应用示例包括图像处理，医疗诊断，金融服务和欺诈检测。此样本说明如何使用SAS®In-Memory Statistics中的NEURAL语句来构建人工神经网络模型来识别垃圾邮件。该示例中使用的数据集是机器学习存储库中的经典Spambase数据集。请注意，SAS®内存中统计信息具有直接将数据直接从URL加载到内存中的功能，而无需保存到磁盘，如示例所示。该示例还演示了如何执行以下任务：

1.对从不同点开始的几个“浅”神经网络进行预训练，以避免创建由于初始权重差而无效的神经网络。
2.从预训练的神经网络中选择最佳的神经网络，然后继续分析以训练更深的神经网络作为最终模型。
3.使用最终的神经网络模型对验证数据集评分。
4.使用评分结果和ASSESS语句执行模型评估。
5.根据ASSESS语句的结果绘制升力和roc曲线。

 

 

 

 

 4.使用评分结果执行模型评估。 所有级别的概率都在输出中，但是我们仅需要事件级别的概率。 WHERE子句仅用于选择具有事件级别的行。 剥离功能适用于删除字符变量_NN_Level_中的空格。

5.根据ASSESS语句的结果绘制升力和roc曲线。
 

 

 

 

 

 

参考文献

 

1.r语言用神经网络改进nelson-siegel模型拟合收益率曲线分析

 

2.r语言实现拟合神经网络预测和结果可视化

 

3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析

 

4.用于nlp的python：使用keras的多标签文本lstm神经网络分类

 

5.用r语言实现神经网络预测股票实例

 

6.R语言基于Keras的小数据集深度学习图像分类

 

7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译

 

8.python中基于网格搜索算法优化的深度学习模型分析糖

 

9.matlab使用贝叶斯优化的深度学习