15、神经网络：运行、优化与学习

神经网络：运行、优化与学习

1. 运行神经网络节点并查看结果

运行神经网络节点并查看结果的具体步骤如下：
1. 运行神经网络节点。
2. 打开该节点的结果。
3. 点击评估标签。调优后的神经网络模型在验证分区上的平均平方误差为 0.0691，这一拟合统计量比使用默认设置拟合的第一个模型要好得多。不过要记住，这样的结果依赖于数据，并非每次更改模型设置都能有如此大的改进。
4. 关闭结果窗口。

2. 神经网络的优缺点及参数

2.1 神经网络的灵活性

为了理解神经网络的灵活性，我们先看看传统回归模型（包括非线性模型）的优缺点。当输入变量 x 与目标 y 呈线性关系时，x 在模型中无需变换。若关系是非线性的，但能指定 x 与 y 之间的假设关系，就可以构建参数化非线性回归模型；若无法指定假设关系，则可构建非参数回归模型。

2.2 传统回归模型的局限性

非线性回归模型比线性模型更难估计，不仅要指定完整的非线性回归表达式，还需使用优化方法来有效引导参数搜索过程，并且要提供初始参数估计值，初始值的选择至关重要，否则可能导致劣质解甚至无法收敛。随着输入数量的增加，传统非线性建模技术的难度会大幅增加，这就是所谓的维度诅咒。参数化非线性回归模型很少有超过几个输入的情况，因为输入数量增加时，推导合适的函数形式变得越来越困难。高维输入空间对非参数回归模型也是一个挑战。

2.3 神经网络的优势

神经网络是参数化非线性模型，但在某些方面类似于非参数模型，它不需要指定函数形式，这使得在输入和输出关系未知时也能构建模型。神经网络的一个主要优点是具有无限的灵活