多层统计分析论文

给的资料和方向还是比较明确的，相对来说是第二个好写一些，所谓的好写是指相对第一个而言，毕竟关于网站平台开发的资料铺天盖地，你可以按照平台开发的步骤进行一步步论述。其实，从交差来看，选第二个。如果要写出一些有见地的东西，从而能学到一些深入的知识，建议选第一个，它的角度、立意和用到的知识能更深入一些，也能开拓一下自己的思维方式和综合归纳能力，特别是保险行业的实际作用具有现实的指导意义。供参考。至于选哪个，看你的定位和兴趣了，以及你关注的行业，论文对你今后的择业帮助等。要是我，我选第一个。

SPSS统计分析案例:多层感知器神经网络神经网络模型起源于对人类大脑思维模式的研究，它是一个非线性的数据建模工具， 由输入层和输出层、 一个或者多个隐藏层构成神经元，神经元之间的连接赋予相关的权重， 训练学习算法在迭代过程中不断调整这些权重，从而使得预测误差最小化并给出预测精度。在SPSS神经网络中，包括多层感知器（MLP）和径向基函数（RBF）两种方法。本期主要学习多层感知器神经网络，要把它讲清楚是比较困难的，为了能直观感受它的功能，首先以一个案例开始，最后再总结知识。案例数据该数据文件涉及某银行在降低贷款拖欠率方面的举措。该文件包含 700 位过去曾获得贷款的客户财务和人口统计信息。请使用这 700 名客户的随机样本创建多层感知器神经网络模型。银行需要此模型对新的客户数据按高或低信用风险对他们进行分类。第一次分析：菜单参数要运行“多层感知器”分析，请从菜单中选择：分析 > 神经网络 > 多层感知器如上图所示，MLP主面板共有8个选项卡，至少需要设置其中"变量"、"分区"、"输出"、"保存"、"导出"等5个选项卡，其他接受软件默认设置。▌ "变量"选项卡将"是否拖欠"移入因变量框；将分类变量"学历"移入因子框，其他数值变量移入"协变量"框；因各协变量量纲不同，选择"标准化"处理；▌ "分区"选项卡在此之前，首先在 "转换 > 随机数生成器"菜单中设置随机数固定种子为9191972（此处同SPSS官方文档，用户可以自由设定），因为"分区"选项卡中，要求对原始数据文件进行随机化抽样，将数据划分为"训练样本"、"支持样本"、"检验样本"3个区块，为了随机过程可重复，所以此处指定固定种子一枚；初次建模，先抽样70%作为训练样本，用于完成自学习构建神经网络模型，30%作为支持样本，用于评估所建立模型的性能，暂不分配检验样本；▌ "输出"选项卡勾选"描述"、"图"；勾选"模型摘要"、"分类结果"、"预测实测图"；勾选"个案处理摘要"；构成"自变量重要性分析"；这是第一次尝试性的分析，主要参数设置如上，其他选项卡接受软件默认设置，最后返回主面板，点击"确定"按钮，软件开始执行MLP过程。第一次分析产生的结果：主要看重点的结果，依次如下：个案处理摘要表，700个贷款客户的记录，其中480个客户被分配到训练样本，占比68.6%，另外220个客户分配为支持样本。模型摘要表，首次构建的MLP神经网络模型其不正确预测百分比为12.7%，独立的支持样本检验模型的不正确百分比为20.9%，提示"超出最大时程数"，模型非正常规则中止，显示有过度学习的嫌疑。判断：首次建立的模型需要预防过度训练。第二次分析：菜单参数首次分析怀疑训练过度，所以第二次分析主要是新增检验样本以及输出最终的模型结果。运行“多层感知器”分析，请从菜单中选择：分析 > 神经网络 > 多层感知器▌ "分区"选项卡对样本进行重新分配，总700样本，支持样本继续30%，训练样本由原来的70%缩减至50%，另外的20%分配给独立的检验样本空间；▌ "保存"选项卡保存每个因变量的预测值或类别；保存每个因变量的预测拟概率；▌ "导出"选项卡将突触权重估算值导出到XML文件；给XML模型文件起名并制定存放路径；其他选项卡的操作和第一次分析保持一致。返回主面板，点击"确定"开始执行第二次分析。第一次分析产生的结果：总样本在3个分区的分配比例。MLP神经网络图，模型包括1个输入层、1个隐藏层和1个输出层，输入层神经元个数12个，隐藏层9个，输出层2个。模型摘要表，模型误差在1个连续步骤中未出现优化减少现象，模型按预定中止。模型在3个分区中的不正确预测百分比较接近。模型分类表，软件默认采用0.5作为正确和错误的概率分界，将3大分区样本的正确率进行交叉对比，显示出预测为NO，即预测为不拖欠的概率高于拖欠，模型对有拖欠的贷款客户风险识别能力较低。预测-实测图，按照贷款客户是否拖欠与预测结果进行分组，纵坐标为预测概率。以0.5为分界时，对优质客户的识别效果较好，但是有较大的概率在识别有拖欠客户上出错。显然以0.5作为分界并不是最优解，可以尝试将分界下移至0.3左右，此操作会使第四个箱图中大量欠贷客户正确地重新分类为欠贷者，提高风险识别能力。自变量重要性图，重要性图为重要性表格中值的条形图，以重要性值降序排序。其显示与客户稳定性（employ、address）和负债（creddebt、debtinc）相关的变量对于网络如何对客户进行分类有重大影响；最后来看导出的XML模型文件：以XML文件存储了第二次构建的MLP神经网络模型，可以用于新客户的分类和风险识别。新客户分类假设现在有150名新客户，现在需要采用此前建立的模型，对这些客户进行快速的风险分类和识别。打开新客户数据，菜单中选择：实用程序 > 评分向导型"XML文件，点击"下一步"：检查新数据文件变量的定义是否准确。下一步。选择输出"预测类别的概率"、"预测值"。完成。新客户数据文件新增3列，分别给出每一个新客户的预测概率和风险分类（是否欠贷）。多层感知器神经网络 总结一种前馈式有监督的学习技术；多层感知器可以发现极为复杂的关系；如果因变量是分类型，神经网络会根据输入数据，将记录划分为最适合的类别；如果因变量是连续型，神将网络预测的连续值是输入数据的某个连续函数；建议创建训练-检验-支持三个分区，网络训练学习将更有效；可将模型导出成 XML 格式对新的数据进行打分；

二个都比较好写啊,如：收集整个数据中心的全部硬件与软件资产的具体信息，并分析工作量利用情况，以开发出经过优化的服务器融合方案。然后再使用收集来的服务器利用率数据生成硬件利用报表等