神經網絡是通過數學算法來模仿人腦思維的，它是數據挖掘中機器學習的典型代表。
神經網絡是人腦的抽象計算模型，我們知道人腦中有數以百億個神經元（人腦處理信息的微單元），這些神經元之間相互連接，使得人的大腦產生精密的邏輯思維。
而數據挖掘中的“神經網絡”也是由大量並行分佈的人工神經元（微處理單元）組成的，它有通過調整連接強度從經驗知識中進行學習的能力，並可以將這些知識進行應用。
簡單來講，“神經網絡”就是通過輸入多個非線性模型以及不同模型之間的加權互聯（加權的過程在隱蔽層完成），最終得到一個輸出模型。其中，隱蔽層所包含的就是非線性函數。
目前最主流的“神經網絡”算法是反饋傳播，該算法在多層前向型神經網絡上進行學習，而多層前向型神經網絡又是由一個輸入層、一個或多個隱蔽層以及一個輸出層組成的。
由於“神經網絡”擁有特有的大規模並行結構和信息的並行處理等特點，因此它具有良好的自適應性、自組織性和高容錯性，並且具有較強的學習、記憶和識別功能。目前神經網絡已經在信號處理、模式識別、專家系統、預測系統等眾多領域中得到廣泛的應用。
“神經網絡”的主要缺點就是其知識和結果的不可解釋性，沒有人知道隱蔽層裡的非線性函數到底是如何處理自變量的，“神經網絡”應用中的產出物在很多時候讓人看不清其中的邏輯關係。但是，它的這個缺點並沒有影響該技術在數據化運營中的廣泛應用，甚至可以這樣認為，正是因為其結果具有不可解釋性，反而更可能促使我們發現新的沒有認識到的規律和關係。
在利用“神經網絡”技術建模的過程中，有以下5個因素對模型結果有著重大影響：
層數。
每層中輸入變量的數量。
聯繫的種類。
聯繫的程度。
轉換函數，又稱激活函數或擠壓函數。
“神經網絡”技術在數據化運營中的主要用途體現在：作為分類、預測問題的重要技術支持，在用戶劃分、行為預測、營銷響應等諸多方面具有廣泛的應用前景。
閱讀更多 全球互聯網資訊 的文章
