学习元 · 人工神经网络分析

教育数据挖掘方法与应用实验报告

实验三：人工神经网络分析

通过使用spssmodeler中的人工神经网络模型来分析影响数学成绩的因素。我们希望通过构建一个类神经网络模型，能够识别和理解那些对数学成绩有显著影响的变量，从而为教育工作者提供决策支持，帮助他们优化教学策略，提高学生的数学成绩。

ibmspss modeler

人工神经网络是一种模仿人脑神经元工作机制的数学模型，它由大量的节点（或称神经元）相互连接而成。每个节点都与其他节点通过权重进行连接，权重的大小代表了连接的强度。人工神经网络通过学习数据集中的模式，自动调整权重，从而实现对未知数据的预测。

在本实验中，我们将构建一个类神经网络，该网络包括输入层、隐藏层和输出层。输入层接收原始数据，隐藏层对数据进行处理和转换，输出层输出预测结果。通过训练神经网络，我们可以得到影响数学成绩的因素，并对其进行解释和分析。具体来说，将采用以下步骤进行实验：

数据准备：首先，我们需要准备一个包含学生数学成绩和相关影响因素的数据集。这些影响因素可能包括学生的学习时间、家庭背景、教师的教学方法等。
构建神经网络模型：在spss modeler中，我们可以通过拖放的方式构建神经网络模型。我们需要确定网络的层数、每层的节点数、激活函数等参数。
训练神经网络：使用准备好的数据集对神经网络进行训练。在训练过程中，神经网络会自动调整权重，以最小化预测误差。
模型评估：训练完成后，我们需要对模型的性能进行评估。常用的评估指标包括准确率、召回率、f1值等。
结果解释：通过对神经网络的权重进行分析，我们可以得到影响数学成绩的主要因素，并对其进行解释和分析。模型评估：使用测试集对训练好的类神经网络模型进行评估，计算模型的性能指标（如准确率、召回率等），以衡量模型的预测能力。同时，分析模型中各个因素的权重和影响程度，了解哪些因素对学生成绩的影响最大。

从“源”中拖拽出“statistics文件”到数据流编辑区，并编辑数据，从“字段选项”选项卡中拖拽“类型”节点到数据流编辑区，建立连接，建立好如图数据流，并编辑“类型”节点，将十次数学成绩的角色设置为“无”，“math”字段的角色设置为“目标”，其余字段设置为“输入”。

建立如图所示数据流，从“建模”选项卡拖拽“类神经网络”节点到数据流编辑区，与数据节点建立连接，并进行属性的设置，在“构建选项”卡中选择“基本”，选择“多层感知器（mlp）的神经网络模型。

模型概要结果如图所示，模型整体的拟合度为13.2%，拟合度较

弱，因此模型的可信度并不高。

运行结果如图所示，影响学生数学成绩即能否及格的因素按照预测变量重要性从高到低排序结果为年级、父亲学历、母亲学历、书籍、书桌、教育软件、房间、学习环境、电脑、性别。

由观测预测以及神经网络结构图如下图所示。

可观察到案例数据分析得到的人工神经网络有1个隐层，隐层中包括9个隐节点。

通过使用人工神经网络对pisa数据进行分析，得出了以下结论：

数据准备与分区：在实验中，首先进行了数据准备，将数据字段分为输入和目标。将学生的数学成绩（math）作为目标，其他因素作为输入。然后，将数据分为训练集和预测集，其中70%的数据用于训练神经网络，30%用于预测。
神经网络模型选择：选择了多层感知器（mlp）的神经网络模型来进行分析。mlp是一种强大的神经网络模型，适用于复杂的非线性关系建模。它由多个层次组成，包括输入层、隐藏层和输出层，可以用来预测学生的数学成绩。
模型训练与预测：在建立神经网络模型后，进行了模型训练。通过比较模型的输出与实际数学成绩，可以对模型的性能进行评估。在训练完成后，可以使用模型对新的数据进行预测，从而预测学生的数学成绩。
进一步分析：一旦模型训练和预测完成，可以进一步分析模型的性能和预测结果。可以使用不同的性能指标来评估模型的准确性，例如均方误差（mse）或分类准确性。同时，还可以分析模型的权重和激活函数，以了解哪些因素对学生数学成绩的影响最大。

总的来说，通过人工神经网络的分析，能够更深入地了解pisa数据中学生数学成绩与各种因素之间的关系。这个实验为教育研究和政策制定提供了有用的工具和洞见，以帮助改进学生的学习成绩和教育质量。