架構（多層感知器）

「架構」標籤是用來指定網路的架構。程序可自動選取「最佳」的架構，或是您可以指定自訂的架構。

自動架構選項會建立包含一個隱藏階層的網路。指定隱藏階層中所允許的單位最小和最大數目，則自動架構選項會計算隱藏階層中「最佳」的單位數目。自動架構選項會使用隱藏和輸出階層的預設啟動函數。

自訂架構選擇讓您可專業地控制隱藏和輸出階層，而且在您事先知道想要的架構或需要扭曲自動架構選項的結果時最為有用。

隱藏層

隱藏階層包含無法觀察的網路節點 (單元)。每個隱藏單元皆為輸入加權總和的函數。此函數為啟動函數，而加權值是以估計演算法來決定。若網路包含第二個隱藏階層，則在此第二個階層中的每個隱藏單元皆為第一個隱藏階層中的單元加權總和函數。在兩個階層中會使用相同的啟動函數。

隱藏階層的數目。一個多層感知器可以有一個以上隱藏階層。

啟動函數。啟動函數會將階層中的單元加權總和「鏈結」至後續階層中單元的值。

雙曲正切。 此函數格式如下：γ(c) = tanh(c) = (e ^c−e ^−c)/(e ^c+e ^−c)。必須使用實數引數並將它們轉換至範圍 (-1, 1)。當使用自動架構選項時，此為隱藏階層中所有單位的啟動函數。
Sigmoid。 此函數格式如下：γ(c) = 1/(1+e ^−c)。必須使用實數引數並將它們轉換至範圍 (0、1)。

單位數。您可以明確指定每個隱藏階層中的單位數目，也可以讓估計演算法自動決定。

輸出階層

輸出階層包含目標變數（應變數）。

啟動函數。啟動函數會將階層中的單元加權總和「鏈結」至後續階層中單元的值。

身分。 此函數格式如下：γ(c) = c。必須使用實數引數並以原樣傳回。當使用自動架構選項時，如果有任何尺度應變數，則此為輸出階層中所有單位的啟動函數。
Softmax。 此函數格式如下：γ(c _k) = exp(c _k)/Σ_jexp(c _j)。它採用了實數值引數的向量，並轉換成元素都在範圍 (0, 1) 且總和為 1 的向量。 Softmax 只有在所有因變數都是種類變數時才可用。當使用自動架構選項時，如果所有應變數為類別，則此為輸出階層中所有單位的啟動函數。
雙曲正切。 此函數格式如下：γ(c) = tanh(c) = (e ^c−e ^−c)/(e ^c+e ^−c)。必須使用實數引數並將它們轉換至範圍 (-1, 1)。
Sigmoid。 此函數格式如下：γ(c) = 1/(1+e ^−c)。必須使用實數引數並將它們轉換至範圍 (0、1)。

調整尺度應變數。 只有在已選取至少一個尺度應變數時，才能使用這些控制項。

標準化。 減去平均數，然後除以標準差 (x mean)/s。
正規化。 減去最小值，然後除以範圍 (x min)/(max min)。常態化的值介於 0 和 1 之間。如果輸出階層使用 sigmoid 啟動函數，則此為尺度因變數的必要重新調整方法。修正選項指定可套用為修正調整公式的一個小數目ε；此修正可確保所有調整的應變數值會在啟動函數的範圍內。尤其是數值 0 和 1 會定義 Sigmoid 函數的範圍限制，但卻不在該範圍內，且當 x 為最小值和最大值時，數值 0 和 1 會出現在未修正的公式中。修正的公式為 [x−(min−ε)]/[(max+ε)−(min−ε)]. 請指定一個大於或等於 0 的數值。
調整後常態化。 減去最小值，然後除以範圍的調整版本 [2*(x−min)/(max−min)]−1. 調整後常態化的值介於 -1 和 1 之間。如果輸出階層使用雙曲正切啟動功能，則此為尺度因變數的必要重新調整方法。修正選項指定可套用為修正調整公式的一個小數目ε；此修正可確保所有調整的應變數值會在啟動函數的範圍內。尤其是數值 -1 和 1 會定義雙曲正切函數的範圍限制，但卻不在該範圍內，且當 x 為其最小值和最大值時，數值 -1 和 1 會出現在未修正的公式中)。修正的公式為 {2*[(x−(min−ε))/((max+ε)−(min−ε))]}−1. 請指定一個大於或等於 0 的數值。
無。沒有調整尺度應變數。

如何指定多層感知器的架構

此功能需要「神經網路」選項。

架構 （多層感知器）