基于神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘方法-資料下載頁
2025-05-28 01:39本頁面
【正文】 經(jīng)網(wǎng)絡的不足： ?① 非數(shù)值型數(shù)據(jù)的處理： 量化此類數(shù)據(jù)往往憑人們主觀經(jīng)驗而定，如果不能按實際情況進行量化，將影響挖掘結果。 ?② 數(shù)據(jù)質(zhì)量： 由于某些數(shù)據(jù)具有冗余或不完整性，致使產(chǎn)生的規(guī)則存在不真實和異常等問題。 19 4 結論 ?神經(jīng)網(wǎng)絡的不足： ?③ 權值和閾值初值的確定： 權值和閾值的初值影響算法的迭代次數(shù)和學習結果。 ?④ 學習樣本的大?。?對于數(shù)據(jù)量較小的數(shù)據(jù)庫，可能出現(xiàn)錯誤的結果，這時就可以把這些數(shù)據(jù)作為新樣本補充到學習樣本中去。 20 4 結論 ?神經(jīng)網(wǎng)絡的不足： ?⑤ 激勵函數(shù)的選?。?激勵函數(shù)是對多個輸入進行處理產(chǎn)生輸出的功能模塊，它將關系到結果是有價值和真實。對于數(shù)據(jù)庫中模糊知識的發(fā)現(xiàn)，往先對輸出狀態(tài)進行編碼，采用符號函數(shù)作為激勵數(shù)。 ?⑥ 神經(jīng)網(wǎng)絡的訓練速度問題： 構造神經(jīng)網(wǎng)絡時要求對其訓練許多遍，這意味著獲得精確的神經(jīng)網(wǎng)絡需要花費許多時間。 21 4 結論 ?神經(jīng)網(wǎng)絡的不足： ?⑦ 特征函數(shù)的選?。?特征函數(shù)的選取的是否合適，將關系到結果是否有價值和真實。 ?⑧ 實際意義的解釋： 由于其復雜的函數(shù)形式，有時神經(jīng)網(wǎng)絡模型的實際意義難以解釋。 22 謝謝聆聽！ 2
環(huán)評公示相關推薦
鄂ICP備17016276號-1