SPSS 神经网络多层感知器：隐藏层与预测准确率

SPSS 神经网络相关任务可用多层感知器建立预测映射，隐藏层是模型设置，预测准确率则应看未参与训练的观测。本例用独立平台 SPSSAI 演示固定结构的分类网络，区分交叉验证表现与训练回代，避免把“拟合得好”写成“外部预测已验证”。

多层感知器的样本与变量类型

以下结果来自本站演示数据（模拟生成，不代表真实研究结论），使用全部 240 行客户分层记录。目标是客户分层编码，另外三列按演示文件顺序作为候选特征；本次保留原表数据与字段，没有更改列名、重编码类别或另行挑选子集。

数据部分	本例角色	检查重点
客户分层编码	分类目标	编码表示类别而非等距分数
原表其余三列	输入特征	对照报告的测量尺度
一行客户记录	观测单位	训练与验证间保持对象独立

报告把月均登录次数识别为定量，把客服工单数识别为定类，后者按水平编码，而非直接保留数值顺序。正式应用时应核对测量尺度与研究含义是否相符；数字列也可能表示类别，单凭单元格里能否作加法不宜决定网络任务与变量角色。

在工作台复现隐藏层设置

1. 选择「多层感知器(MLP)」，载入演示数据，保持目标为客户分层编码，其他列为输入特征。
2. 保持分类任务；隐藏层结构填写 64,32，非线性函数设为 relu，L2 强度为 0.000100，最大迭代为 500。
3. 开始分析后核对变量角色、交叉验证设置与样本数，再读性能表和混淆矩阵，而非直接引用训练集列。

本模块没有自动搜索超参数，本次也没有比较其他隐藏层。结构中的两个数分别表示两层的宽度，不是训练样本分组；交叉验证每折重新拟合网络，使用相同结构也会得到不同权重，折间性能因此存在波动。

SPSS 神经网络的预测准确率看哪一列

本次采用 5 折分层交叉验证，种子为 42。准确率均值为 0.7667，折间 SD 为 0.0632；训练集回代准确率为 0.8667。前者来自每折未参与训练的数据，后者来自模型已见数据，两者的差距用于提醒乐观拟合，不宜把后者替换为主要性能结论。

报告的预处理管道在训练折内拟合，再用于相应验证折；这一点控制的是跨折预处理信息流。它没有检查研究采样中所有可能的泄漏，例如同一客户的多期记录混入不同折，仍需在分组或时间验证方案中处理，而非只依赖自动筛查。

宏平均 F1 为 0.7649，折间 SD 为 0.0643。该指标先分别评价每个类别再等权平均，与总体准确率承担不同任务；本例三类均衡，也应检查哪些类别误判更多，避免总体指标掩盖特定类别的识别不足。

折外混淆矩阵怎样定位误判

混淆矩阵行是真实类别，列是预测类别，对角线为正确分类，非对角线为误判。它汇总每个对象在未参与训练的那一折的预测，属于折外结果；它不是独立留出测试集，也不是全样本网络的回代矩阵，文章与表注需保留这一来源。

类别二的召回率为 0.6250，相较其他类别更低，适合回查其与相邻类别的特征重叠。类别编码只是标记，不宜据“二处于中间”就推导误判有固定距离；是否某类错误代价更高，应根据应用目标提前确定，而非由混淆矩阵自动给出。

记录表增加的是验证数字之外的应用信息，要求先留下误判对象与后续动作。它不把训练得分换算成业务收益，也没有替模型自动选阈值；正式使用前还需定义人工复核与失效处理，避免仅因平均指标可读就直接进入实际决策。

隐藏层与迭代上限怎样写进论文

可写：「使用预设的双隐藏层结构进行分类，按分层交叉验证报告准确率及折间波动，训练回代仅作对照；本次未进行自动调参或独立外部验证。」写清固定设置比把结构描述为搜索得到的方案更可复核，也保留了性能估计的适用范围。

最大迭代是优化上限，不是模型已经收敛的证明。当前报告的摘要提示是常驻文案，不宜视为逐次收敛诊断；正式研究需核查优化告警并按预定验证方案评价调整，反复看同一份交叉验证得分挑结构会引入选择偏倚。

该流程把开发、验证和实际应用的材料分开，避免一份交叉验证被重复称为多次独立验证。置换重要性来自全样本最终模型，另有乐观性，不宜用它推出变量因果作用；演示数据不用登录就能跑；用自己的数据分析、导出 Word / PDF 报告、使用 AI 解读需要开通会员。

神经网络预测常见错误

• 用训练准确率宣布泛化能力：保留交叉验证均值及波动，外部用途仍需另行验证。
• 把类别编码当连续评分：先明确任务和测量尺度，避免让数字标签引入未定义的等距假设。
• 将未计算指标当成没有问题：有有效估计时按相应证据解释，无法估计则说明原因并停止作性能结论。

延伸阅读

• 多层感知器(MLP)
• CHAID决策树
• 事后多重比较