29、神经网络与判别分析：原理、应用及挑战

神经网络与判别分析：原理、应用及挑战

1. 神经网络的基础与应用

1.1 事故数据的神经网络输出

以下是事故数据在隐藏层有两个节点的神经网络输出：

> confusionMatrix(training.class,
+ accidents.df[training,]$MAX_SEV_IR)
Confusion Matrix and Statistics
Reference
Prediction
0
1
2
0 332
0
34
1
0 167
40
2
1
7
18
> confusionMatrix(validation.class,
+ accidents.df[validation,]$MAX_SEV_IR)
Confusion Matrix and Statistics
Reference
Prediction
0
1
2
0 217
0
20
1
0 121
22
2
1
4
15
Overall Statistics
Accuracy : 0.8825

分类规则通常是输出节点值最大的决定网络的分类。对于二元结果（m = 2），使用两个输出节点和一个阈值将预测概率映射到两个类别之一。不过，神经网络的值倾向于聚集在 0.5 附近，可使用验证集确定能产生合理预测性能的阈值。

1.2 用户输入要求

训练神经网络模型时，需要决定网络架构，包括隐藏层的数量和每层的节点数。目前没有自动方法明显优于试错法，以下是一些选择架构的通用准则：
- 隐藏层数量 ：最常用的是一个隐藏层，通常足以捕捉