【實驗目的】1、認識神經網絡的根本組成以及它們的屬性和功能。以及過濾3、認識神經網絡的根本流程。4、經過案例把握神經網絡操作技術。【實驗內容】（一）、讀入數據（二）、計算促銷前后銷售額的變化率（三）、為數據設置字段格式（四）、神經網絡學習經過1、將模型結果結點連接到數據流2、添加字段比較猜測值與實際值3、評價模型模型猜測1、猜測模型建立2、輸出規范化3、選擇促銷方案【實驗步驟】goodlearn.strClementine提供了多種猜測模型，包括Nerual Net、RegressionLogistic價該模型的優良以及對新的促銷方案進行評估。（一）讀入數據GOODS1n，Var.File（二）計算促銷前后銷售額的變化率DeriveIncrease。在公式欄中輸入(AfterBefore)/Before*100.0以此來計算促銷前后銷售額的變化。（三）為數據設置字段格式添加一個Type結點到數據流中。由于在制定促銷方案前我們并不知道促銷AfterDirectionNone；神經網絡IncreaseDirectionOut，除此之外的其它結點全設置為In。（四）神經網絡學習經過在設置好各個字段的Direction方向后我們將NeuralNet結點連接入數據流。NeuralNet進行設置時我們選擇快速建模方式（Quick），選中Preventovertraining件。在建立好神經網絡學習模型后我們運行這條數據流，結果將在管理器的Models屬性有所認識。（五）為訓練網絡建立評估模型將Increase結果結點連接在數據流中的Type結點后；添加字段比較猜測值與實際值向數據流中增加Derive結點并將它命名為ratio，然后將它連接到Increase(abs(Increase'$N-Increase')/Increase)*100，$N-Increase結果。經過該字段值的顯示我們能夠看出猜測值與實際值之間的差異大小。評價模型觀察猜測值與實際值之間的差異來評價模型的優劣。從 Graph 欄中選擇histogram結點連接到ratio結點。ratio（fieldratio），輸出結果如下圖所示：ratioratio落在相對應的橫ratio的定義公式我們知道ratio越小表明猜測值與實際值的差別越ratio能夠看出該模型達到了一定的精度。模型猜測1．猜測模型建立該模型的建立就是為了猜測新樣本。我們現將數據源的文件改為GOODS2n；alt鍵雙擊Increase結點以此來繞過該結點；斷開Increase結果結RatioTableIncreaseType結點中我們只設置字段afterDirection屬性為None，其余In。經過這種方式建立好的數據流如下圖所示：Table$N-Increase輸出規范化$N-Increase欄表示促銷后銷售額可能增減的比率。由于神經網絡的最后輸出需要規范到[0,1]區間，所以我們選擇輸出值在(0,1)S規范化。S型函數表達式為 f (x) 1 增加Derive結點將結果其規范化。1 e x選擇促銷方案依據神經網絡模型的猜測輸出，我們能夠選出GOODS2n文件中包含的可執行1ClementineSelect它能夠從數據集中篩選出滿足預定條件的記錄。RecordOPsSelectFormatformat＝1.000的結點，整個流程圖由下所示：假若我們只需要得到這些方案的某些字段，而不想知道它的全部細節，則能夠SelectTableFilterP.