您可能根本不需要任何隐藏层。线性模型和广义线性模型可用于多种应用。

本示例说明如何使用  neuralNet操作为ANN模型生成独立的SAS评分代码。SAS评分代码可以在没有SAS Enterprise Miner许可证的SAS环境中运行。

创建和训练神经网络

annTrain 将创建并训练一个人工神经网络（ANN），用于分类，回归的函数。

本示例使用Iris 数据集创建多层感知器（MLP）神经网络。Fisher（1936）发表的Iris数据包含150个观测值。萼片长度，萼片宽度，花瓣长度和花瓣宽度以毫米为单位测量从各三个物种50个标本。四种测量类型成为输入变量。种类名称成为名义目标变量。目的是通过测量其花瓣和萼片尺寸来预测鸢尾花的种类。

该示例使用  annTrain 来创建和训练神经网络。神经网络根据其萼片和花瓣的长度和宽度（以毫米为单位）的输入来预测预测鸢尾花种类的函数。

 target="species"                                               
    inputs={"sepallength","sepalwidth","petallength","petalwidth"}  
    nominals={"species"}                                            
    hiddens={2}                                                     
    maxiter=1000                                                   
    seed=12345                                                 
    randDist="UNIFORM"                                            
    scaleInit=1                                                 
    combs={"LINEAR"}                                           
    targetAct="SOFTMAX"                                        
    errorFunc="ENTROPY"                                      
    std="MIDRANGE"                                             
    validTable=vldTable 

1. 使用sampling.Stratified 操作Iris 按目标变量对输入数据进行分区 Species。
2. 将分区指示列添加  _Partind_ 到输出表。该_Partind_ 列包含映射到数据分区的整数值。
3. 创建一个由30％的表观察值组成的采样分区  Species。剩余的70％的表观测值构成第二个分区。
4. 指定12345 要用于采样函数的随机种子值  。
5. 命名sampling_stratified 操作创建的输出表  （带有新的分区信息列）  iris_partitioned。如果内存中存在具有该名称的表，则现有表将被新iris_partitioned 表内容覆盖  。
6. 在源表中指定所有变量，将其传输到采样的表中。
7. 使用新添加的分区列中的数据创建单独的表，以进行神经网络训练和验证。令训练表trnTable 为表  中所有观察iris_partitioned 值的子集，  其中列的整数值  _Partind_ 等于1。
8. 使用新添加的分区列中的数据创建单独的表，进行神经网络训练和验证。假设验证表vldTable 是表  中所有观察iris_partitioned 值的子集，  其中列的整数值  _Partind_ 等于0。
9. annTrain 通过使用trnTable 带有目标变量的表，来创建和训练MLP神经网络  Species。
10. 指定四个输入变量用作ANN分析的分析变量。
11. 要求将目标变量  Species 视为分析的名义变量。
12. 为神经网络前馈模型中的每个隐藏层指定隐藏神经元的数量。例如，  hiddens={2} 用两个隐藏的神经元指定一个隐藏层。
13. 指定在寻求目标函数收敛时要执行的最大迭代次数。
14. 指定用于执行采样和分区任务的随机种子。
15. 要求将UNIFORM分布用于随机生成初始神经网络连接权重。
16. 指定连接权重的比例因子，该比例是相对于上一层中的单位数的。scaleInit 参数的默认值为  1。将参数的值设置  scaleInit 为2会增加连接权重的比例。
17. 为每个隐藏层中的神经元指定LINEAR组合函数。
18. 在输出层中为神经元指定激活函数。默认情况下，SOFTMAX函数用于名义变量。
19. 指定误差函数来训练网络。ENTROPY是名义目标的默认设置。
20. 指定要在区间变量上使用的标准化。当  std 参数的值为MIDRANGE时，变量将标准化到0和1。
21. 指定要用于验证表的输入表名称。这样可以通过使用optmlOpt 参数来尽早停止迭代过程  。
22. 指定  Nnet_train_model 作为输出表。
23. 启用神经算法求解器优化工具。
24. 指定250次最大迭代以进行优化，并指定1E–10作为目标函数的阈值停止值。
25. 启用LBFGS算法。LBFGS是准牛顿方法族中的一种优化算法，它通过使用有限的计算机内存来近似Broyden-Fletcher-Goldfarb-Shanno（BFGS）算法。
26. 使用频率参数来设置验证选项。当  frequency 参数的值为1时，将在每个时期进行验证。当  frequency 为0时，将不进行任何验证。

输出显示数据的概述。

输出：列信息

来自table.columnInfo的结果

​

输出2：已提取的行

来自table.fetch的结果

​

如果simple.freq 在输入表上使用命令，则可以验证三种种类中每种都有50个观测值，输入数据表中总共有150个观测值，如输出3所示。

输出 3：物种频率

来自simple.freq的结果

​

在“迭代历史记录”表下方，您应该看到“收敛状态”表。对于成功的神经网络模型，“收敛状态”应报告“优化已收敛”，如  输出 5中所示。

输出 5：收敛状态

​

成功的模型训练包括输出模型的摘要结果，如输出 6所示  。

输出 6：模型信息

​

这些结果重申了关键的模型构建因素，例如模型类型；目标变量 神经网络模型输入，隐藏和输出节点的摘要；权重和偏差参数；最终目标值；以及评分验证数据集的误分类误差。

在表格底部，您将看到由验证数据确定的最终误分类错误百分比。如果将这个神经网络模型用作预测函数，并且您的数据来自与Iris 验证表具有相同数据分布，则  可以预期93％–94％的物种预测是正确的。

使用神经网络模型对输入数据进行评分

训练和验证神经网络模型后，可以使用该模型对新数据进行评分。最常见的技术是通过SAS Enterprise Miner或SAS Visual Data Mining and Machine Learning使用数据挖掘环境来生成评分输出，从而提交新数据并运行模型以对新数据评分。

拥有训练的神经网络后，可以使用该神经网络模型和  annScore 操作对新的输入数据进行评分，如下所示：

 table=vldTable
    modelTable="train_model"; 

1. 识别训练数据表。训练数据是iris_partitioned 表中的观测值，在分区指示符列（_partind_）中的值为0 。
2. 确认验证数据表。验证数据是iris_partitioned 表中的观察值，在分区指示符列（_partind_）中的值为1 。
3. 对训练数据进行评分。提交输入数据，该  数据将由经过训练的神经网络模型评分。因为在此代码块中要评分的数据是模型训练数据，所以您应该期望评分代码读取所有105个观察值，并以0％错误分类错误预测目标变量值。模型训练数据包含已知的目标值，因此，在对模型训练数据进行评分时，应期望其分类错误为0％。
4. 对验证数据评分。该操作将提交输入数据，在SAS数据挖掘环境中，由经过训练的神经网络模型对输入数据进行评分。验证数据包含已知目标值，但训练算法不会读取验证数据。算法预测验证数据中每个观察值的目标值，然后将预测值与已知值进行比较。分类误差百分比是通过从1中减去正确预测的分类百分比来计算的。较低的分类误差百分比通常表示模型性能更好。

验证数据包含30％的原始输入数据观察值，并按目标变量Species分层  。原始数据包含每个种类的50个观察值；验证数据（30％）包含三种物种中每一种的比例15个观测值，总共45个观测值。如果验证数据中的45个观察值中有42个被正确分类，则该模型的错误分类误差为6.67％。