未经许可请勿转载
更多数据分析内容参看这里
今天我们来介绍一套小工具——AISPACE，它有助于你学习BP神经网络运作的过程及原理。AISPACE涉及的一系列工具用于学习和探索人工智能的概念，它们是在艾伦·麦克沃斯和大卫·普尔的指导下，由哥伦比亚大学计算智能实验室开发的。要使用这套工具，首先要安装JRE环境。下面是这套工具所提供的部分功能，包括贝氏网络、决策树和神经网络在内它都有支持。
一、神经网络逐步分类学习过程
首先我们cmd窗口到ASIPACE所在的目录，执行java -jar neural.jar，打开神经网络的界面。下图椭圆形的图标就是神经元，线形的就是神经键。
现在我们来将之前介绍过的三层式BP神经网络例子，使用aispace工具来实现。
先拖动6个神经元到面板上。
再使用神经键连接它们
在连接它们的时候，我们可以看到会随机产生一个权重值和θ值。为了和例子中的值一致，我们重新设置这些值。注意一下，我们在设置这些值时，激发函数都是勾选的S函数。
现在我们来输入数据。
现在我们切换到Solve标签，可以看到，正的数据显示为绿色，负的数据为红色，值越大线越粗。
对于这个单笔数据，没有做任何训练下，我们点击summary statistics，查看结果输出为0.4739。也可以点击Show plot看一下当前的误差，为0.27。
现在我们点击Step，来进行第一次训练，可以看到误差值降为0.26。
点击Step 50X, 训练50次，误差降为0.06，Node5的预测值上升为0.7449。
训练250回合后，误差降为0
对应的预测值为0.9008
此时的神经网络权重和θ值如下：
二、神经网络逐步数字预测学习过程
在展开数字预测之前，我们先讲述一下神经网络的数据前处理问题。神经网络和KNN一样，输入字段必须是数值型，而且目标字段也要求是数值型。对于数值型输入数据，必须通过极值标准化为0到1之间。
如果输入属性是类别型字段，有三种处理方式。（1）分散式的二元编码法，比如说a1，a2,a3,a4四个可能的输入值，我们可以用两个神经元节点来代表（00代表a1,01代表a2,10代表a3,11代表a4）,但是这种方式较少使用，因为它容易造成神经网络的正确率低，神经网络会误以为00和11的距离远，00和01的距离近。（2）1-of-N编码模型，即每个输入值一个神经元的方式，（0001代表a1,0010代表a2,0100代表a3,1000代表a4），这种模式非常常用。（3）1-of-N-1，用N-1个节点来代表N个值。
由于Sigmoid函数值生成0到1之间的值，目标字段也必须处理为0到1之间的值。如果训练集的输出是一个连续型值，单个标准化的输出节点就可以满足要求。如果输出是分两类的问题（比如高忠诚度和低忠诚度），你有两种处理的方式，常用的使用一个输出节点来代表（1代表高忠诚度，0代表低程度），另一种方式使用两个节点来代表（10代表高，01代表低）。如果是分N类的问题，和输入节点一样，1-of-N编码是常用的处理方式。
我们来看一个数据前处理的范例。
下面我们来看神经网络预测数字的实例，比如下面我们要来预测来店客户人数，输入字段包括促销活动费用，店面的面积，市区郊区。可以看到在进行数字预测时，我们先要进行数值的正规化处理，那么对于预测出来的结果，我们要进行一下还原动作才能恢复真正的预测数据。
下面们使用aispace对房价预测的例子进行处理，首先把原始数据读入，数据需要按照aispace能够识别的方式处理，如下。
读入数据时，我们勾选一下想要设置的隐藏层层数，隐藏层的节点数，这边设置1层，三个节点，生成如下的神经网络模型。
可以看一下数据的情况，已经做过正规化处理
训练800回合
预测结果如下
还原数值后结果如下
三、神经网络总结
神经网络在两层结构，输出只有一个节点时，如果用线性激活函数时，NN就退化为线性回归，如果用sigmoid激活函数，NN就退化为logistic回归。如果两层结构输出有多个Node，采用sigmoid函数激活，NN就是多元logistic回归，当NN大于两层时，就是一个非常复杂的神经网络模型。
神经网络的有点在于它预测的准确度较高，在进行预测的时候速度也比较快。缺点在于训练时间较长，其次在于它是一个黑箱逻辑，权重的意义很难理解。
