“神经”平台概述

您可以将神经网络视为一组派生输入（称为隐藏节点）的函数。隐藏节点是原始输入的非线性函数。您最多可以指定两层隐藏节点，每层您可以根据需要，指定包含任意数目的隐藏节点。

图 3.2 显示了包含三个 X 变量和一个 Y 变量的两层神经网络。在本例中，第一层包含两个节点，每个节点是第二层中全部三个节点的函数。第二层包含三个节点，所有节点是三个 X 变量的函数。预测 Y 变量是第一层中两个节点的函数。

图 3.2 神经网络图 

在隐藏层的节点处应用的函数称为激活函数。激活函数是 X 变量线性组合的变换。有关激活函数的详细信息，请参见隐藏层结构。

应用于响应的函数是一个线性组合（对于连续响应）或 Logistic 变换（对于名义型或有序型响应）。

神经网络模型的主要优点是它能够有效地对不同的响应曲面建模。只要有足够多的隐藏节点和层，任何曲面可以达到任意精度的近似。神经网络模型的主要缺点是结果不容易解释。这是因为它在 X 变量和 Y 变量之间存在中间层，并不像一般的回归模型中那样在两个变量之间是直接关联的。