文档介绍：-
26
. z.
数据挖掘方法概述
一、主要概念1
二、主要方法概述1
1、神经网络方法概述1
2、聚类方法概述9
3、主成分分析14
4、决策树概述17
5、)+ ek
计算过程：
1〕设α=1，随机赋予w1j的初始值为0，即w11〔k=1〕=0，
w12〔k=1〕=0
2〕对第一个样本进展学****把*1=1，*2=1代入〔*〕，有
O= f(w11×*1+ w12×*2)=f(0×1+0×1)= f(0)=0
δ (k=1)= ∣Y k -O k∣=1
修正权数：△w1j=αδ (k) * j
△=δ (k=1) * 1=1×1=1
△w12 =δ (k=1) * 2=1×1=1
〔k=2〕=〔k=1〕+△=0+1=1，
w12〔k=2〕= w12〔k=1〕+△w12=0+1=1
总误差 E(K=1)= E(K=0)+ek=0+δ(k=1)=1
3〕对第2个样本：*1=1 ,*2=0, O=f(1×1+1×0)= f(1)=1
δ (k=2)= ∣Y k -O k∣=0
修正权数：△w1j=αδ (k) * j
△=δ (k=2) * 1=0×1=0
△w12 =δ (k=2) * 2=0×0=0
〔k=2〕=〔k=1〕+△=1+0=1，
w12〔k=2〕= w12〔k=1〕+△w12=1+0=1
总误差 E(K=2)= E(K=1)+ek=1+δ(k=2)=1
4〕对于获取的权数 =1，w12=1，有
对第3个样本：*1=0,*2=1, O=f(1×0+1×1)= f(1)=1=Y
-
4
. z.
对第4个样本：*1=0,*2=0, O=f(1×0+1×0)= f(0)=0=Y
5〕结论：=1，w12=1是使计算结果与样本的评价结果误差最小的权数。将=1，w12=代入模型〔*〕，则模型建立完毕。可以利用这个建立的模型，对任一组输入的*1，*2，在未知其输出〔评价结果〕时，通过〔*〕计算得到结果。
〔4〕误差逆传播神经网络模型〔Error Back-Propagation ，简记BP模型〕
在简单神经网络的根底上，进展形式推广，对多个输入、多个输出、多层构造，不同作用函数的情况进展建模分析。最常用的是BP神经网络。
BP神经网络根本原理
BP神经网络模型是一种具有三层或三层以上的前馈型的、按梯度算法使计算输出与实际输出的误差沿逆传播修正各连接权的神经网络模型。网络按有教师示教的方式进展学****当一对学****模式提供应网络后，神经元的激活值，从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应，并按减少希望输出与实际输出偏差的方向，从输出层经各中间层逐层修正各连接权，最后回到输入层，随着这种误差逆传播修正的不断进展，网络对输入模式响应的正确率不断上升。
*1○ wi1○ 1 vti○
*2○ wi2○ i○t 节点
*3○ 节点 vtm○
…win○ M○
*n○
输入信息正向传播
反向传播实际输出与网络输出误差
BP网络模型的特点：
模型表示：Yi=f(i=1,2,3…,m,*i取值(－∞，＋∞)
Ot= f ( t=1,2,3…,q, Ot取值(0，1)
模型构造：至少三层〔至少有一隐层〕，多个输入，一个或多个输出
作用函数(Sigmoid型函数) ：f(*)= 1/〔1+e〕
*〔-，+〕 f〔*〕〔0，1〕
学****样本：
( *1(k)，*2(k)，*3(k)，…，*m(k), D1(k), D2(k), D3(k)…, Dq(k) ) ,
k是样本数， k=1,2,3…,P
权值修正公式：设
-
26
. z.
δi=Di-Oi , Di是期望输出〔实际输出〕，Oi是网络计算输出
隐层与输出层连接权的修正：
〔K+1〕=〔K〕+△
，是隐节点输出
输入层与输出层连接权的修正：
〔K+1〕=〔K〕+△，
，是输入节点输入。
3) 第K个样本误差
总误差 E=
〔5〕基于神经网络辅助医疗绩效的评定
案例：为了对城市医疗能力进展评价，收集一批有代表性的城市医疗数据，评价指标