神经网络预测(神经网络预测时间序列)
30个数据可以用神经网络预测吗
30个数据可以用神经网络预测。神经网络本身就是个数学建模，只是经过整理后更容易进行工程实践了，至于预测那是当然可以的。
人工神经网络预测信贷的意义
人工神经网络算法的信用风险预测
信用风险或信用违约表明未偿还已提供给客户的银行金融服务的可能性。信贷风险一直是银行贷款决策中广泛研究的领域。信用风险对银行和金融机构，特别是对商业银行而言，起着至关重要的作用，并且始终难以解释和管理。由于技术的进步，银行已经设法降低成本，以便开发强大而复杂的系统和模型来预测和管理信贷风险。
为了预测信用违约，已经创建并提出了几种方法。方法的使用取决于银行和金融机构的复杂程度，贷款的规模和类型。常用的方法是判别分析。这种方法使用了有助于决策的得分函数，而一些研究人员由于其限制性假设而对区分分析的有效性表示怀疑。变量之间的正态性和独立性[4]。人工神经网络模型的创建是为了克服其他效率低下的信用违约模型的缺点。
本文的目的是研究神经网络算法解决预测信用违约问题的能力，该能力衡量一段时间内贷款申请的信用度。前馈神经网络算法被应用于银行的住宅抵押贷款应用的小型数据集，以预测信用违约。模型的输出将生成一个二进制值，该值可用作分类器，以帮助银行识别借款人是否违约。本文将采用一种经验方法，该方法将讨论两个基于神经网络的模型，并且将通过训练和验证有关住宅抵押贷款申请的模型来报告实验结果。作为该方向的最后一步，还对数据集执行了线性回归方法。
2方法论
2.1数据
数据是从kaggle.com（贷款俱乐部贷款数据）收集的，其中包含850万条记录。从数据集中抽取了60
因变量： loan_status（0和1）；如果借款人将违约，那么投资将是不良的；如果借款人不违约，则他或她将能够偿还全部贷款额。因此，要区分神经网络，0表示借方将违约，而1表示借方将不违约。
自变量：以下变量被视为自变量，loan_amnt，funded_amnt，emp_length，等级，funded_amnt_inv，期限，int_rate，分期付款，year_inc，issue_d和application_type
2.2模型
在这项研究中，使用了经典的前馈神经网络。前馈网络由一个具有10个输入变量的输入层，7个隐藏层和一个具有代表分类器的神经元的输出层组成。使用监督学习算法（反向传播算法）对网络进行训练。该算法通过最小化实际和期望输出之间的误差来优化神经元权重。对于神经元i，权重将通过公式进行更新，其中f为学习系数是隐藏层的输出，算法将一直运行到找到停止标准为止。
对于图3所示的神经网络算法，必须仔细选择参数，例如f的值以及神经元数和隐藏层数。在图3中，连接由每层之间的黑线表示和权重，蓝线显示每个步骤中的偏差（模型的截距）。网络是一个黑匣子，训练算法可以在融合时随时使用。同样，已经从提取的数据集中为网络算法创建了一个随机样本。然后创建一个训练和测试数据集，分别用于训练模型和验证模型的性能。
图3：信用违约模型的神经网络图
3实验与结果
已将10个归一化变量作为按顺序排列的输入作为网络输入。网络的输出是一个分类器，结果为0和1。首先，已检查数据是否缺少数据点值，没有数据丢失；无需修复数据集。输入的相关矩阵如图4所示。
图4：输入数据集的相关图
训练完数据集后，将在测试数据集上对其进行测试。为了基于其他输入来计算输出，已使用了计算功能。将7个隐藏层添加到网络并创建了模型。网络已生成以下结果矩阵：
表1：经典前馈神经网络的结果矩阵
属性
值
错误
322.833
达到阈值
0.0998
脚步
6765
总共需要6765个步骤，直到误差函数的所有导数都小于默认阈值（0.01）。在实现经典的前馈算法之后，通过使用学习速率为0.01的反向传播算法实现了另一个模型。经典过程和反向传播过程具有几乎相同的错误率。因此，经典模型拟合不如反向传播算法令人满意。
图5：输入的广义权重
表2：预测输出与期望输出的比较
实际
预测
火柴
0.0032
真正
0.00017
真正
0.0114
真正
1个
0.985
真正
0.0060
真正
0.0132
真正
0.9704
假
0.0101
真正
1个
0.00128
真正
最后，将线性回归应用于数据集以比较两种算法的准确性。glm（）函数已用于拟合线性回归模型。对于回归，已分配了大于0.5的概率，如果回归中的预测值大于0.5，则该值为1，否则为0。已经通过合并错误分类误差来计算准确性，并且混淆矩阵的计算也如图6所示。 。
图6：混淆矩阵和线性回归统计
为了强调比较，已计算了线性回归和神经网络的均方误差，如表3所示。从表中可以看出，两个过程的均方误差大致相同，因此两个过程都相同工作。有必要知道，MSE中的偏差取决于训练和测试划分。
表3：两个过程的均方误差
MSE神经网络
MSE线性回归
0.0220449
0.0227334
4。结论
本文研究了人工神经网络和线性回归模型来预测信用违约。两种系统都已经过kaggle.com提供的贷款数据培训。两种系统的结果对数据集均显示出相同的效果，因此非常有效，通过人工神经网络的准确率为97.67575％，准确率为97.69609％。系统对输出变量的分类正确，误差很小。因此，这两个过程都可以用来识别信用违约率。而且，神经网络代表黑匣子方法，因此与线性回归模型相比，难以解释结果。因此，使用哪种模型取决于必须使用的应用程序。此外，在使用神经网络过程拟合模型时，用户需要格外注意属性和数据规范化以提高性能。总之，神经网络提供了强有力的证据来有效预测贷款申请的信用违约。
神经网络算法具有广泛的应用范围，不仅对住宅抵押至关重要。其他应用可以是由公司发行的债券评级，通常称为债券评级，对可以持续使用长达一年的短期投资进行评级，对本地和外币的长期和短期评级，主权或国家评级。通过使用适当的算法和技术，可以进一步增强预测系统，以为应用程序分配信用等级。
题库
ga-bp神经网络预测效果不好
。
1. 根据你的预测对象的特性选取合适的输入层、输出层和隐层神经元数目。
2. 选择合适的神经网络训练函数。
3. 保证足够的训练样本数据，并且确保这个训练样本数据有足够的精度能够反映需要预测的对象的特性。
谷歌人工智能写作项目：小发猫
2、BP神经网络的精度低，怎么解决？
建议用RBP神经网络进行训练如何提高bp神经网络的准确率。使用方法：
x=-1:0.1:5;
y=-1:0.1:5;
z=x.^2.*y-0.1*x+2*y;
net=newrbe([x;y],z); %创建一个RBF网络
t=sim(net,[x;y]);%仿真未经训练的网络net
plot3(x,y,z,'rd');hold on
plot3(x,y,t,'b-');
3、怎么才能使bp神经网络预测的结果更准确
这个问的太哪个了吧，神经网络预测一般也就是对已有数据进行非线性拟合而已，简单的说，他只是一个拟合方法，只是与传统的拟合方法相比有一些优点。用神经网络预测也不会是一定很非常准确的。
4、采用什么手段使神经网络预测更加准确
优化神经网络结构。如BP神经网络改变隐层神经元数量、训练算法等；
使用其他神经网络。如Elman神经网络考虑了前一时刻的输出，比较适合用于预测，预测效果往往更好。RBF神经网络的训练速度很快，训练效果也很好。
改进的神经网络算法。例如BP神经网络增加动量项、自适应学习率等措施，防止陷入局部极小影响预测效果。
组合神经网络。取长补短，将全局搜索能力强的算法与局部逼近快的算法组合起来，如遗传算法优化初始权值，再训练。这种方法比较灵活，可以和许多算法融合。
全面考虑影响因素。未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。
5、优化初始权值及阈值为什么可以提高bp神经网络识别率
bp的学习过程就是不断的网络训练工程，而训练的就是利用权值和阈值的激活函数计算输出的。权值与输入相乘，经过激活函数计算出的值与阈值比较，达到阈值的可输出，不满足的则返回继续训练。因此可以提高识别率。
6、bp神经网络遇到新的数据，就预测不准，怎么弄？
预测数据的话BP不是特别好用，最好用Elman反馈神经网络或者RNN循环神经网络，这些有记忆功能的网络比较好用。bp主要和你选择的隐含层数，和误差范围，学习率有关。你可以调节相关参数来改变神经网络，获得更精确的结果。
7、BP神经网络误差如何提高
你好，误差大，第一步需要尝试的是做归一化处理。有线性归一化，有对数函数归一化等等，这个你可以去网上搜索数据归一化方法，有相关的代码，应该。
第二部需要做出的改动是隐层节点数量，如果节点数量太多，那么结果的随机性就会很大，如果太少，那么复杂数据的规律计算不出来。多少层节点最合适，这个目前除了一个一个试没有更好的办法。但是你会发现每一个相同的结构计算出的结果却不尽相同，这个时候就需要考虑后续的问题。
第三步尝试，变换transfer function。麻烦你查查字典，因为我不是用中文学的神经网络。我姑且翻译成传输函数。传输函数在matlab中内建了3中 pureline logsig tansig。分别有不同的应用范围。因为没看到你的数据，我也不清楚具体应该推荐你用哪一种。不过你可以去网上搜索一下三种传输函数的特点。
如果有用请给“采纳”谢谢。
8、BP神经网络仿真时仿真结果准确率低。请问高手如何处理 5
是预测低还是拟合低？
如果是预测那没办法的，如果是拟合低，可以重新选择网络种类或者网络结构