【课程大纲】
第01课：课程规划 共5页
第02课：DM项目的生命周期与建设过程 共8页
第03课：CRISP-DM详解 共11页
第04~05课：DM项目实际建设与管理过程（上） 共23页
第04~05课：DM项目实际建设与管理过程（下） 共23页
第06课：DM项目团队组成与能力素养 共4页
第07课：SPSS MODELER基础 共3页
第08课：SPSS MODELER节点概要 共9页
第09课：SPSS MODELER数据流实例 共2页
第10课：简单的统计学概念 共6页
第11课：常用统计学分布 共9页
第12课：常用统计知识补充 共6页
第13课：数据质量与样本管理 共4页
第14课：数据质量与变量管理 共3页
第15课：MODELER分析管理 共2页
第16课：数据挖掘知识类型 共3页
第17课：建模过程思想 共3页
第18课：回归分析思想与建模解释（上） 共6页
第18课：回归分析思想与建模解释（下） 共7页
第19课：决策树思想与建模解释 共4页
第20课：回归与决策树增补 共4页
第21课：神经网络思想与建模解释 共4页
第22课：SVM思想与解释补充 共4页
第23课：聚类算法与建模解释 共6页
第24课：关联分析思想与建模解释 共4页
第25课：信用风险评估 共7页
第26课：辅助决策分析 共6页
在本课程"项目实战：SPSS Modeler数据挖掘项目实战培训-第21课：神经网络思想与建模解释"中，我们深入探讨了神经网络作为数据挖掘中的一个重要工具，其核心理念和在SPSS Modeler中的应用。神经网络（Artificial Neural Network，ANN）是一种受到生物神经元结构启发的计算模型，它通过模拟大脑神经元之间的连接和信号传递来处理信息。
神经网络主要由四个关键组成部分构成：神经元（Neuron）、输入层（Input Layer）、隐藏层（Hidden Layers）和输出层（Output Layer）。输入层接收原始数据，隐藏层对数据进行非线性转换，而输出层则生成最终的预测或分类结果。神经网络的学习过程分为有监督学习和无监督学习，前向传播用于预测，反向反馈用于优化权重。
SPSS Modeler中的"神经网络"节点是一个强大的工具，它允许用户构建多层感知器（Multilayer Perceptron, MLP）和径向基函数（Radial Basis Function, RBF）等不同类型的神经网络模型。值得注意的是，这个工具对输入和输出变量的测量级别没有特定要求，这意味着它可以处理各种类型的数据，包括名义、顺序、区间和比例数据。然而，测量级别的选择可能会影响模型的性能和解释性。
当神经网络模型的建模效果不尽如人意时，我们可以从几个方面优化模型：
1. 数据样本变量独立性：确保输入变量之间没有高度的相关性，因为这可能导致模型过拟合或者训练困难。进行相关性分析可以帮助识别并解决这个问题。
2. 数据样本容量：更多的数据通常能提供更好的泛化能力。如果样本量不足，模型可能无法捕捉到数据的复杂性，从而影响预测精度。
3. 改变输入变量的测量级别：调整变量的测量级别可能有助于提高模型的稳定性和预测能力。
在实际项目中，选择最佳的建模方法并非总是可能的，因为项目的需求、时间和资源限制等因素都会影响模型的选择。因此，我们需要在满足项目目标的前提下，尽可能地优化模型性能。
在SPSS Modeler中，神经网络与其他数据挖掘技术（如回归分析、决策树、支持向量机、聚类和关联规则）一起，构成了一个全面的数据建模工具箱，帮助分析师和数据科学家解决复杂的问题，例如信用风险评估和辅助决策分析。通过理解和掌握这些技术的思想和实施步骤，可以在实际项目中更有效地利用数据，提升业务洞察力。
