原文鏈接http://tecdat.cn/?p=14033

?

神經(jīng)網(wǎng)絡(luò)是一種非常通用的靈活預(yù)測(cè)模型，可用于解決各種問(wèn)題，包括分類，降維和回歸。

現(xiàn)實(shí)世界中的一些業(yè)務(wù)應(yīng)用示例包括圖像處理，醫(yī)療診斷，金融服務(wù)和欺詐檢測(cè)。此樣本說(shuō)明如何使用SAS?In-Memory Statistics中的NEURAL語(yǔ)句來(lái)構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別垃圾郵件。該示例中使用的數(shù)據(jù)集是機(jī)器學(xué)習(xí)存儲(chǔ)庫(kù)中的經(jīng)典Spambase數(shù)據(jù)集。請(qǐng)注意，SAS?內(nèi)存中統(tǒng)計(jì)信息具有直接將數(shù)據(jù)直接從URL加載到內(nèi)存中的功能，而無(wú)需保存到磁盤，如示例所示。該示例還演示了如何執(zhí)行以下任務(wù)：

1.對(duì)從不同點(diǎn)開始的幾個(gè)“淺”神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，以避免創(chuàng)建由于初始權(quán)重差而無(wú)效的神經(jīng)網(wǎng)絡(luò)。
2.從預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中選擇最佳的神經(jīng)網(wǎng)絡(luò)，然后繼續(xù)分析以訓(xùn)練更深的神經(jīng)網(wǎng)絡(luò)作為最終模型。
3.使用最終的神經(jīng)網(wǎng)絡(luò)模型對(duì)驗(yàn)證數(shù)據(jù)集評(píng)分。
4.使用評(píng)分結(jié)果和ASSESS語(yǔ)句執(zhí)行模型評(píng)估。
5.根據(jù)ASSESS語(yǔ)句的結(jié)果繪制升力和roc曲線。

?

?

?

?

?4.使用評(píng)分結(jié)果執(zhí)行模型評(píng)估。 所有級(jí)別的概率都在輸出中，但是我們僅需要事件級(jí)別的概率。 WHERE子句僅用于選擇具有事件級(jí)別的行。 剝離功能適用于刪除字符變量_NN_Level_中的空格。

5.根據(jù)ASSESS語(yǔ)句的結(jié)果繪制升力和roc曲線。
?

?

?

?

?

?

參考文獻(xiàn)

?

1.r語(yǔ)言用神經(jīng)網(wǎng)絡(luò)改進(jìn)nelson-siegel模型擬合收益率曲線分析

?

2.r語(yǔ)言實(shí)現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和結(jié)果可視化

?

3.python用遺傳算法-神經(jīng)網(wǎng)絡(luò)-模糊邏輯控制算法對(duì)樂(lè)透分析

?

4.用于nlp的python：使用keras的多標(biāo)簽文本lstm神經(jīng)網(wǎng)絡(luò)分類

?

5.用r語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票實(shí)例

?

6.R語(yǔ)言基于Keras的小數(shù)據(jù)集深度學(xué)習(xí)圖像分類

?

7.用于NLP的seq2seq模型實(shí)例用Keras實(shí)現(xiàn)神經(jīng)機(jī)器翻譯

?

8.python中基于網(wǎng)格搜索算法優(yōu)化的深度學(xué)習(xí)模型分析糖

?

9.matlab使用貝葉斯優(yōu)化的深度學(xué)習(xí)

?

?