数据挖掘实乃技术，而技术实现源于理论。此为数据挖掘首篇文章，陆续更新，持续提升~
神经网络是一种基于脑与神经系统研究，所启发的信息处理技术。它具有人脑功能基本特性：学习、记忆和归纳。
过程：首先需要给出一个训练样本使神经网络进行学习，训练样本的建立大多数来自于实际系统输入与输出。比如我们的目标是识别潜在购车人群中真正有购车意向的群体，首先我们对历史的潜在购车人群（包含有真正购车意向的人）进行学习（训练）。学习后，神经网络会对学习结果进行归纳记忆，以便对测试集进行处理。
架构
神经网络主要结构是由神经元、层和网络三个部份所组成。
整个类神经网络包含一系列基本的神经元，通过权重（weight）相互连接。
这些单元以层的方式组织。
神经元（由感知器演变而来）：
n表示变量的个数；Oi表示第i个输入值(X)；Wij表示第j个神经元的第i个输入值的权重 ；是第j个神经元的偏置：偏置有增大或者减小激活函数的净输入的作用，取决于该偏置是负值还是正值。
表示第j个神经元的输入值(组合函数)。 f（•）是神经元的启动（激活或赋活）函数；Oj=f(Ij)是第j个神经元的输出值(Y)。启动函数f(•)类型分为以下几种：线性启动函数，阶梯（step）启动函数，Sigmoid（或称S型）启动函数，分段线性启动函数，高斯启动函数。
神经网络是通过更新权重Wij和偏置使得网络预测的误差达到最小。
具体步骤如下：
1）通过输入节点将输入变量加以标准化，标准化后的变量数值落在0和1之间，或者是-1和1之间。
2）将网络权重初始值设定为0（或随机产生）。通过各节点的启动函数，估计数据的目标变量值。
3）比较实际值和估计值
之间的误差，并根据误差值重新调整各权重和偏置。
其中，为学习速率：通常是介于0～1之间，当其数值越大，每次权数的修正量就越大。不能太小或太大。经验设置为1/t，t为迭代次数。
4）重新执行第二步骤，反复执行，一直到实际值和估计值之间的误差值最小，此时才停止学习，此时获得最佳权重。
如此，即达成一个学习循环的类神经网络权重修正，接下来持续此步骤，使得输出值越来越接近真值，从而达到建立模型的目的。
优点：
神经网络可以建构非线性的模型，模型的准确度高。
神经网络有良好的推广性，对于未知的输入亦可得到正确的输出。
神经网络可以接受不同种类的变量作为输入，适应性强。
神经网络可应用的领域相当广泛，模型建构能力强。
神经网络具模糊推论能力，允许输出入变量具模糊性，归纳学习较难具备此能力。
缺点：
神经网络的隐藏层一般为1-2层，数目可设为任意数目，且有学习速率等参数需设定，工作相当费时。
神经网络以迭代方式更新阀值，计算量大，相当耗费计算机资源。
神经网络的解有无限多组，无法得知哪一组的解为最佳解。
神经网络是以建立数值结构（含加权值的网络）来学习，其知识结构是隐性的，缺乏解释能力。
神经网络的实现，可以运用SPSS-Climentine，SAS-enterprise，R软件操作。
