输出 （径向基函数）
网络结构。 显示与神经网络有关的摘要信息。
- 描述。 显示与神经网络有关的信息，包括因变量、输入和输出单位数目、隐藏层和单位数目及激活函数。
- 图表。 将神经网络图表作为不可编辑图表显示。请注意，随着协变量数目和因子级别的增加，图表变得更加难于解释。
- 突触权重。 显示表明给定层中的单位与以下层中的单位之间关系的系数估计值。突触权重以培训样本为基础，即使活动数据集已划分为培训数据、检验数据和坚持数据。请注意，突触权重数目会变得非常大，而且这些权重一般不用于解释网络结果。
网络性能。 显示用于确定模型是否“良好”的结果。注：该组中的图表以培训样本和检验样本组合为基础，或者如果不存在检验样本，只以培训样本为基础。
- 模型摘要。 显示分区和整体神经网络结果摘要，包括错误、相对错误或不正确预测的百分比和培训时间。
误差为平方和误差。除此之外，显示相对错误或不正确预测的百分比取决于因变量测量级别。如果任何因变量具有刻度测量级别，则显示平均整体相对错误（相对于平均值模型）。如果所有因变量都为分类变量，则显示不正确预测的平均百分比。也针对单个因变量显示相对错误或不正确预测的百分比。
- 分类结果。 显示每个分类因变量的分类表。每个表针对每个因变量类别给出正确或错误分类的个案数目。也报告正确分类的总体个案百分比。
- ROC 曲线。 显示每个分类因变量的 ROC（Receiver Operating Characteristic）曲线。其也显示一个给定每个曲线下区域的表格。对于给定因变量，ROC 图表针对每个类别显示一条曲线。如果因变量有两个类别，那么每条曲线将该类别视为正态与其它类别。如果因变量有两个多类别，那么每条曲线将该类别视为正态与所有其它类别的汇总。
- 累积增益图。 显示每个分类因变量的累积增益图。每个因变量类别的曲线的显示与 ROC 曲线相同。
- 效益图。 显示每个分类因变量的效益图。每个因变量类别的曲线的显示与 ROC 曲线相同。
- 观察预测图。 显示每个因变量的观察预测值图表。针对分类因变量，显示每个响应类别的预测拟概率的复式箱图，并且观察响应类别为聚类变量。针对刻度因变量，显示散点图。
- 残差分析图。 显示每个刻度因变量的残差分析图。残差和预测值之间不存在可见模式。此图表仅针对刻度因变量生成。
个案处理摘要。显示个案处理摘要表，其通过培训、检验和坚持样本整体总结分析中包含和排除的个案数。
自变量重要性分析。 执行敏感度分析，其计算确定神经网络的每个预测变量的重要性。分析以培训样本和检验样本组合为基础，或者如果不存在检验样本，只以培训样本为基础。此操作创建一个显示每个预测变量的重要性和标准化重要性的表和图表。请注意，如果存在大量预测变量和个案，敏感度分析需要进行大量计算并且费时。
如何选择径向基函数的输出
此功能需要 SPSS® Statistics Premium Edition 或“神经网络”选项。
- 从菜单中选择：
- 在“径向基函数”对话框中，单击输出选项卡。