IBM SPSS Neural Networks

検定・集計の手法についてご紹介します。

Tool データ内のより複雑な関係性を明らかに

IBM SPSS Neural Networks ソフトウェアでは、非線形データ・モデリング・プロシージャーを使用してデータ内のより複雑な関係性を明らかにできます。このソフトウェアでは、ユーザーがネットワークの学習条件を設定します。また、ユーザーは学習停止規則とネットワーク・アーキテクチャーを制御できますが、アーキテクチャーについてはプロシージャーで自動選択することもできます。

SPSS Neural Networks ソフトウェアを使用すると、より有効で精度の高い予測モデルを作成できます。

  • Multilayer Perceptron (MLP) プロシージャーまたは Radial Basis Function (RBF) プロシージャーを使用して、データから隠れた関係性を発見します。
  • 変数を指定して、最初から最後までプロセスを制御できます。
  • 他の統計プロシージャーや手法との組み合わせにより、さらにインサイトを深めることができます。

Screenshot SPSS Neural Networks のスクリーン・ショット

多層パーセプトロン・プロシージャー (MLP)

多層パーセプトロン・プロシージャーでは、因子変数の値に基づいて、1つ以上の従属 (ターゲット) 変数の予測モデルを生成します。この例では、チャーンを予測するモデルを作成します。

ニューラル・ネットワークのビジュアル化

従属変数、入出力単位の数、非表示の層と単位とアクティベーション機能の数なども含めて、ニューラル・ネットワークに関する情報をビジュアルに表示します。

重要度グラフ

重要度グラフは、重要度表の値を降順でソートして棒グラフにしたものです。

分類表

分類表は、ネットワーク使用に関する実用的な結果をまとめたものです。それぞれのケースで、疑似確率が 0.5 を上回る場合は、予測応答が Yes になります。

inspection 詳細情報

データから隠れた関係性を発見

  • MLPまたはRBFのいずれかのアルゴリズムを選択して、データが暗示する関係性を発見します。MLP プロシージャーでは、より複雑な関係性を検出できます。一方、RBF プロシージャーは、より高速です。
  • フィードフォワード・アーキテクチャーのメリットを活用します。このアーキテクチャーでは、データは、入力ノードからノードの隠れ層を通り、出力ノードへと一方向にのみ移動します。
  • 学習データ・セットを処理し、その後、学習した知識をデータ・セット全体や新規データに適用するアルゴリズムを利用します。

プロセスの制御

  • 従属変数を指定します。これは、スケール型変数、カテゴリー型変数、その両方の組み合わせのいずれでもかまいません。
  • データ・セットの分割方法、使用するアーキテクチャー、分析に適用する計算リソースを選択して、各プロシージャーを調整します。
  • 結果を表またはグラフのどちらで表示するかを選択して、オプションの一時変数をアクティブ・データ・セットに保存するか、将来のデータをスコア化するために XML ベースのファイル形式でモデルをエクスポートします。

他の統計プロシージャーや手法との組み合わせ

  • IBM SPSS Statistics Base を使用する従来型の統計技法でニューラル・ネットワークの結果を確認します。
  • 他の統計プロシージャーと組み合わせて、市場調査、データベース・マーケティング、財務分析、運用分析、医療といった多くの分野で、より明確なインサイトを得ることができます。例えば、市場調査では、顧客プロファイルを作成して顧客の好みを発見することができます。