人工神经网络是一种仿照氮吹仪价格生物神经网络结构 而建 立的非 线形 预测 模型，是数 据挖 掘中 比较常用的模型与算法。有关人工神经网络的概念、特征、拓扑结构以及加权参数的确定学 习方法，我们已在第九章作了较详细的论述。这 里只 是给 出在使 用人 工神经 网络 时需 要注 意的几点事项： 第一，神经网络很难解释。目前还没有能对神经网络做出显而易见解释的方法学，因为 在数据的分析处理方面，神经元网络和统计 方法在 本质 上有 很多差 别。神经 网络 的参 数要 比统计方法多很多。这么多参数通过各种各样的 组合 方式来 影响 输出 结果，以至 于很 难对 一个神经网络表示的模型做出直观的解释。实际 上神经 网络 也正 是当作“黑盒”来 用的，不 ３４８ 第十章 数据挖掘与Ａｇｅｎｔ技术  用去管“盒子”里面是什么，只管用就行了。在大部分情况下，这种限制条件是可以接受的。 第二，神经网络会学习过度。在训练神经网 络时 一定 要恰当 的使 用一些 能严 格衡 量神 经网络的方法，如测试集方法和交叉验证法等。这

主要是由于神经网络太灵活、可变参数太 多，如果给足够的时间，它几乎可以“记住”任何事情。 第三，除非问题非常简单，训练一个神经 网络可 能需 要相当 长的 时间 才能完 成。当然， 一旦神经网络建立好了，在运行它做某些预测时速度还是很快的。 第四，建立神经网络需要做的数据准备 工作量 很大。 有些人 可能 会对神 经网 络存 在一 些错误认识，认为不管用什么数据，神经网络都能很好的工作并做出准确的预测。这种认识 是很不正确的。要想得到准确度高的模型，必须认真地对数据进行清洗、整理、转换、选择等 工作，对任何数据挖掘技术都是这样，神经网络尤其注重这一点。比如神经网络要求所有的 输入变量只能是０～１（或－１～＋１）之间的数值型实数，因 此，对 文本型 数据，必须先做 必要 的映射变换处理之后，才能用作为神经网络的输入数据。 ２． 决策树 决策树是一种展示类似“在什么条件下会 得到 什么 值”这类 规则 的方法。 比如，在 贷款 申请中，要对申请的风险大小做出判断，图１０．１ 所示

 是为 了解决 这个 问题而 建立 的一 棵决 策树，从中可以看到决策树的基本组成部分包括决策节点、分支和叶子节点。 图１０．１ 一棵简单的决策树 决策树中最上面的节点 称为 根 节点，是 整个 决 策树 的开 始。本 例中 根节 点 是“收 入 ＞ ￥４００００”，对此问题的不同回答产生了“是”和“否”两个分支。决策树 中每个 节点的子 节点 个数与决策树所用的算法有关。如 ＣＡＲＴ 算法得到的决 策树每 个节点有 两个分支，这 种树 称为二叉树。允许节点含有多于两个子节点的树称为多叉树。每个分支所连接的节点要么 是一个新的决策节点，要么是树的叶子节点。 数据挖掘中决策树是一种经常要用到的技术，可以用于对数据进行分析，同样也可以用 来对某些事情进行 预测，比 如银 行 职 员可 以 应 用 决 策树 预 测 放 贷 的风 险。 常 用的 算 法 有