sas神经网络：构建人工神经网络模型来识别垃圾邮件

Posted 2020-12-16 tecdat

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了sas神经网络：构建人工神经网络模型来识别垃圾邮件相关的知识，希望对你有一定的参考价值。

技术图片

原文链接http://tecdat.cn/?p=14033

神经网络是一种非常通用的灵活预测模型，可用于解决各种问题，包括分类，降维和回归。

现实世界中的一些业务应用示例包括图像处理，医疗诊断，金融服务和欺诈检测。此样本说明如何使用SAS®In-Memory Statistics中的NEURAL语句来构建人工神经网络模型来识别垃圾邮件。该示例中使用的数据集是机器学习存储库中的经典Spambase数据集。请注意，SAS®内存中统计信息具有直接将数据直接从URL加载到内存中的功能，而无需保存到磁盘，如示例所示。该示例还演示了如何执行以下任务：

1.对从不同点开始的几个“浅”神经网络进行预训练，以避免创建由于初始权重差而无效的神经网络。
2.从预训练的神经网络中选择最佳的神经网络，然后继续分析以训练更深的神经网络作为最终模型。
3.使用最终的神经网络模型对验证数据集评分。
4.使用评分结果和ASSESS语句执行模型评估。
5.根据ASSESS语句的结果绘制升力和ROC曲线。

libname mylasr sasiola host="grid001.example.com" port=10010 tag=‘hps‘;
%let base = http://archive.ics.uci.edu/ml/machine-learning-databases;
data mylasr.spambase;
infile "&base/spambase/spambase.data" device=url dsd dlm=‘,‘;
input Make Address All _3d Our Over Remove Internet Order Mail Receive
Will People Report Addresses Free Business Email You Credit Your Font
_000 Money Hp Hpl George _650 Lab Labs Telnet _857 Data _415 _85
Technology _1999 Parts Pm Direct Cs Meeting Original Project Re Edu
Table Conference Semicol Paren Bracket Bang Dollar Pound Cap_Avg
Cap_Long Cap_Total Class;
run;
proc imstat;

1.从不同点到预训练几个“浅”神经网络,避免创建因初始值不佳而无效的神经网络。

/*input */ input=(make--cap_total) std=std
/*target*/ targetact=softmax targetcomb=linear error=entropy nominal=class
/*hidden*/ hiddens=(10) act=(logistic) combine=(linear)
/*prelim*/ numtries=5 maxiter=10 tech=congra
/*NLOP */ maxfunc=1000000 linesearch=2 fconv=1e-4 lower=-20 upper=20;

2.从预训练的神经网络中选择最佳的神经网络，然后继续分析以训练更深层的神经网络作为最终模型。

/*NLOP */ maxfunc=1000000 linesearch=2 fconv=1e-4 lower=-20 upper=20;

3.使用经过训练的神经网络模型对分数进行验证。 ASSESS选项指定为所有级别的得分数据添加预测概率标称目标变量。在此示例中，创建了两个级别，因为名为class的变量具有两个值0或1。计分的数据为存储在临时表中。

input = (make--cap_total) nominal=class temptable assess vars = (class);

4.使用评分结果执行模型评估。所有级别的概率都在输出中，但是我们仅需要事件级别的概率。 WHERE子句仅用于选择具有事件级别的行。剥离功能适用于删除字符变量_NN_Level_中的空格。

proc lasr term port=&myport;
run;

5.根据ASSESS语句的结果绘制升力和ROC曲线。

proc sgplot data=rocdata;
series x = one_minus_Specificity y = Sensitivity / lineattrs=(color=blue);
series x = one_minus_Specificity y = one_minus_Specificity / lineattrs=(color=black);
yaxis grid;
run;
quit;