新闻中心

神经网络优缺点,

缺点：（1）最严重的问题是没能力来解释自己的推理过程和推理依据。（2）不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。（3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。（4）理论和学习算法还有待于进一步完善和提高。

优点。径向基神经网络非线性拟合能力强，全局最优逼近；局部接受特性使得决策时含有距离的概念，学习规则简单、拓扑结构紧凑、结构参数可实现分离学习，收敛速度快，便于计算机实现。缺点。径向基神经网络解释性差，数据不充分时无法工作，难以确定隐藏层节点数、节点中心和宽度，优选过程出现数据病态现象。

优点： 大幅提高生产效率：人工智能可以通过自主学习和大数据分析，辅助人类完成更高效、更准确的工作，有效地节约人力成本和时间成本，极大地提高生产效率。 创造新的商业机会：人工智能推动了新业态、新模式的不断涌现，创造了许多新的商业机会，为企业带来了新的收益增长点。

BP网络的主要优缺点：（1）优点：很好的逼近特性。具有较强的泛化能力。具有较好的容错性 （2）缺点：收敛速度慢。局部极值。难以确定隐层和隐层结点的数目。

下面简单对比下两种不同状态表示法的优缺点： 讲到DST就不得不讲DSTC，DSTC是 Dialog System Technology Challenge ，主要包括6个Challenge。DSTC对DST的作用就相当于目标函数对机器学习任务的作用，真正起到了评估DST技术以及促进DST技术发展的作用。

优化过程中，BP算法（误差反向传播）是MLP训练的常用手段，它通过计算梯度来调整网络参数，尽管这带来了计算成本，但MLP的高识别率和快速分类能力使得这种投入值得。优缺点解析 MLP的优越性在于它在识别性能和速度上的表现，但代价是训练过程可能需要更多的时间。

同方差和异方差时,方差协方差矩阵有何异同

1、应用范围不同 同方差适用于数学统计、经济统计、机器学习算法、适用领域范围、回归分析、时间序列。异方差适用于计量经济学，异方差性是计量经济学术语。指回归模型中扰动项的方差不全相等。

2、因此相应的做法是将异方差矩阵分解，并左乘到回归模型中，得到的结果就是WLS回归。

3、异方差性（heteroscedasticity ）是相对于同方差而言的。所谓同方差，是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，即：随机误差项具有不同的方差，则称线性回归模型存在异方差性。

4、“相关”和“协方差”工具都可返回一个输出表和一个矩阵，分别表示每对测量值变量之间的相关系数和协方差。不同之处在于相关系数的取值在 -1 和 +1 之间，而协方差没有限定的取值范围。相关系数和协方差都是描述两个变量离散程度的指标。 “协方差”工具为每对测量值变量计算工作表函数 COVAR 的值。

多元线性回归模型中显著性检验的问题

用户可以先试着画一个散点图，看看是否可以使用其他曲线来获得更好的拟合效果，在很多情况下，对数据进行线性或某些非线性拟合会有显著的效果，但可能不是最好的，所以有必要判断自变量与因变量之间是否呈线性关系。

多元线性回归模型中，当某个或者某几个自变量的系数不显著时，回归方程的显著性F检验仍有可能是显著的。多元线性回归模型中，当某个或某几个自变量的系数不显著时，回归方程的显著性F检验仍有可能是显著的。因为F检验是基于整个回归方程的显著性检验，而不仅仅是基于单个系数的显著性检验。

R方值是评价的主要指标，F值，t值是两个检验，一般要小于0.05，F和t的显著性都是0.05。

第二，在多元线性回归的情况下，方程总体的线性关系检验不一定与回归系数检验结果一致。通常的情况是，方程的总体线性关系是显著的，但是某个变量的影响却并不显著。

回归方程显著性检验，即F检验，是检验所有自变量组合对因变量的总体线性关联。如果F值较低，可能意味着模型中漏选了关键影响因素或自变量与因变量的关系是非线性的，这时需要重新构建模型以提高预测准确性。