神经网络在分类中有何用途?
神经网络是一系列算法，旨在通过模拟人脑运作方式的过程，识别一组数据中的基本关系。在这种方法中，神经网络定义了神经元系统，无论是有机的还是人工的。
神经网络是一种分析技术，它模仿认知系统中(假设的)学习过程和大脑的神经功能，能够在实施所谓的"从现有信息中学习"的过程后，根据其他观察结果预测(针对特定变量的)新观察结果。神经网络是数据挖掘技术之一。
神经网络是一系列算法，旨在通过模拟人脑运作方式的过程，识别一组数据中的基本关系。从这个意义上讲，神经网络定义了神经元系统，例如有机或人工神经元系统。
神经网络几乎适用于所有预测变量(自变量，输入)和预测变量(因变量，输出)之间存在关联的情况，即使这种关联难以用"相关性"或"组间差异"等一般术语来表达。
神经网络是由模拟神经元组成的网络，用于识别模式实例。神经网络通过搜索网络权重区域来理解。
神经网络是一组相互链接的输入/输出单元，每个链接都有一个相关的权重。在学习过程中，网络通过调整权重进行学习，以便能够预测输入样本的准确类别标签。神经网络学习由于单元之间的连接而被称为连接学习。
神经网络需要较长的训练时间，并且由于学习权重之后的符号含义难以解释，其可解释性较差。这些特性最初使得神经网络在数据挖掘方面缺乏吸引力。
神经网络具有对噪声数据的高容忍度，以及对未经训练的模式进行分类的能力。目前已开发出各种算法来从训练好的神经网络中提取规则。这些因素使得神经网络在数据挖掘中易于分类。
在工程领域，神经网络提供两种重要功能:模式分类器和非线性自适应滤波器。人工神经网络是一个灵活的、通常是非线性的系统，它能够理解如何从数据中实现函数(输入/输出映射)。自适应是指系统参数在运行过程中发生变化，通常称为训练阶段。
训练阶段结束后，人工神经网络参数保持不变，系统设置完成，用于解决当前问题(测试阶段)。人工神经网络的开发采用系统的逐步阶段，旨在增强性能测试或遵循某些隐含的内部约束，这些约束通常被定义为学习规则。
