ANN在数据挖掘中的优缺点
神经网络是一系列算法,它们像人脑一样在大量数据中识别模式。人工神经网络 (ANN) 也简称为“神经网络”(NN),可以是生物神经网络支持的过程模型。它由相互连接的人工神经元集合组成。神经网络是一组连接的输入/输出单元,其中每个连接都有与其相关的权重。在知识阶段,网络通过调整权重来预测输入样本的正确类别标签。由于单元之间的连接,神经网络学习也被称为连接学习。神经网络涉及较长的训练时间,因此更适用于可行的应用。它们需要许多通常最好凭经验确定的参数,例如网络拓扑或“结构”。神经网络因其可解释性差而受到批评,因为人类很难理解所学权重背后的象征意义。这些特征首先使神经网络不太适合数据挖掘。
人工神经网络的优势
- 人工神经网络能够提供要并行处理的数据,这意味着它们可以同时处理多个任务。
- 人工神经网络一直处于阻力状态。这意味着一个或多个细胞或神经网络的丢失会影响人工神经网络的性能。
- 人工神经网络用于在网络上存储信息,因此,即使没有数据对,也不意味着网络没有产生结果。
- 人工神经网络正在逐渐被分解,这意味着它们不会突然停止工作,这些网络正在逐渐被分解。
- 我们能够训练 ANN 让这些网络从过去的事件中学习并做出决策。
人工神经网络的缺点
- 正如我们之前提到的,随着并行处理的执行,ANN 臂悬挂,因此它们需要支持并行处理的处理器,因此 ANN 依赖于硬件。
- 由于它类似于人脑的功能,我们可能无法确定人工神经网络的正确网络结构是什么。
- 不仅是人工神经网络,统计模型也可以只用数字数据进行训练,因此人工神经网络很难理解问题陈述。
- 当一个人工神经网络为问题陈述提供解决方案时,我们真的不知道它会在什么基础上给出解决方案,而这一次,ANN 是不可靠的