神经网络BP算法案例

1神经网络BP算法案例2【例】

假设训练样本s的属性值为｛1，0，1｝，实际类别分别为1，两层前馈神经网络NT如图1所示，NT中每条有一向加权边的权重、每个隐藏层与输出层单元的偏置如表1所示，学习率为0.9。写出输入S训练NT的过程。神经网络BP算法案例图1两层前馈神经网络3首先算出单元4、5、6的输入、输出，具体结果见表1，然后计算4、5、6的误差，见表2；NT中每条有向加权边的新权重、每个隐藏层与输出层单元的新偏置见表3。图2两层前馈神经网络神经网络BP算法案例4表1权重、单元的偏置神经网络BP算法案例5单元j输入Ij输出Oj40.2×1+0.4×0+(-0.5)×1+(-0.4)=-0.71/(l+e-(-0.7))=0.3325(-0.3)×l+0.1×0+0.2×1+0.2=0.11/(l+e-0.1)=0.5256(-0.3)×0.332+(-0.2)×0.525+0.1=-0.1051/(l+e-(-0.105))=0.474表2隐藏层与输出层每个单元的输入、输出神经网络BP算法案例6表3隐藏层与输出层每个单元的误差单元j误差

60.474×(1-0.474)×(l-0.474)=0.131150.525×(l-0.525)×(0.1311×(-0.2))=-0.006540.332×(l-0.332)×(0.1311×(-0.3))=-0.0087神经网络BP算法案例7表4有向加权边的新权重、每个隐藏层与输出层单元的新偏置W46-0.3+0.9×0.1311×0.332=-0.261W56-0.2+0.9×0.1311×0.525=-0.138W140.2+0.9×(-0.00087)×1=0.192W15-0.3+0.9×(-0.0065)×1=-0.306W240.4+0.9×(-0.0087)×0=0.4W250.1+0.9×(-0.0065)×0=0.1W34-0.5+0.9×(-0.0087)×1=-0.508W350.2+0.9×(-0.0065)×1=0.194

60.1+0.9×0.1311=0.218

50.2+0.9×(-0.0065)=0.194

4-0.4+0.9×(-0.0087)=-0.408神经网络BP算法案例由Apriori关联算法

推算牛奶可以搭配哪些商品从一家公司的销售记录中我们找到以下8条消费记录，并以3作为最小支持度，也就是说出现频率在3次以下的记录是被我们所忽略的。

所有满足最小支持度3的1项频繁集如下〔其中巧克力、香蕉、葡萄的支持度为1，不满足条件〕支持度销售内容3冰淇淋4咖啡4果酱5牛奶7面包所有满足最小支持度3的2项频繁集如下：递归执行支持度销售内容3面包咖啡3面包冰淇淋4面包牛奶4面包果酱所有满足最小支持度3的3项频繁集只剩下一条：

再次递归执行支持度销售内容3面包果酱牛奶那么｛牛奶，果酱，面包｝就是我们要的满足最小支持度3的3项频繁集，也就是说牛奶、果酱和面包这三种是最被经常一起买的。然而，在研究挖掘关联规那么的过程中，许多学者发现在实际应用中，对于很多应用来说，由于数据分布的分散性，数据比较少，所以很难在数据最细节的层次上发现一些强关联规那么。要想在原始的概念层次上发现强的〔strong〕和有意义的〔interesting〕关联规那么是比较困难的。当我们引入概念层次后，就可以在较高的层次上进行挖掘。所以数据挖掘应该提供这样一种在多个层次上进行挖掘的功能。

概念层次〔ConceptHierarchy〕是指将大量的概念用层次化的方法组织起来，使得子概念所包含的意义比它的父亲更加特殊，可以被其父概念所概括。概念层次在要挖掘的数据库中经常是存在的，比方在一个超市中会存在这样的概念层次：蒙牛牌牛奶是牛奶，伊利牌牛奶是牛奶，王子牌饼干是饼干，康师傅牌饼干是饼干等。

可以用有向无环图(directedacyclicgraph)表示概念层次，如下：从有向无环图(directedacyclicgraph

)可以看出——如果我们只是在数据根本层开掘关系，｛蒙牛牌牛奶，王子牌饼干｝，｛蒙牛牌牛奶，康师傅牌饼干｝，｛伊利牌牛奶，王子牌饼干｝，｛伊利牌牛奶，康师傅牌饼干｝都不符合最小支持度。不过如果我们上升一个层级，可能会发现｛牛奶，饼干｝的关联规那么是有一定支持度的。这样我们就可以在较高的概念层次上发现关联规那么。

关联规那么同层关联规那么层间关联规那么单维关联规那么多维关联规那么关联规则的分类同层关联规那么可以采用两种支持度策略：

统一的最小支持度：对于不同的层次，都使用同一个最小支持度。这样比较容易，但是弊端也是显