目录：
3.用bankloan.sav数据集进行实验，对数据集个体分类：是/否违约
实验选用SPSS自带数据集：bankloan.sav，该数据集涉及某银行在降低贷款拖欠率方面的举措。
在SPSS中实现神经网络的构建可分为两个步骤：1.产生随机数来选择样本数据集；2.生成多层感知器。
在菜单中选择“转换→随机数生成器→设置起点→固定值→值（此处需输入数值）→确定”
<用于设定随机数种子，保证在以后生成的随机数一致>
菜单“转换→计算变量→目标变量（此处需输入自定义变量名称）→数字表达式（输入“2*RV.BERNOULLI(0.7)-1”）→确定”
<用于产生bernoulli（伯努利）分布数列，数列名即为输入的自定义名，括号中的0.7是对样本数据进行划分的标准，如随机抽取数据的70%值为1,30%值为-1>
菜单选择“分析→神经网络→多层感知器→变量（分别选入因变量、因子和协变量，按照数据集情况选择“协变量重新标度”）→分区（有“根据个案的相对数目随机分配个案”和“使用分区变量来分配个案”两种选择）→体系结构（可选择“体系结构自动选择”或“定制体系结构”）→训练（选择“训练类型”和 “优化算法”）→输出（选择需要输出的结果显示）→保存/导出/选项→确定”
①转换→随机数生成器→设置起点→固定值→值（输入9191972）→确定
<此处设定固定值，是为了避免训练集和测试集内数据的不随机性，在值部分输入的数值可以随意输入，但下次如果还需要生成同样的随机数据集合，需选择同样的固定值>
②转换→计算变量→目标变量（输入partion）→数字表达式（输入“2*RV.BERNOULLI(0.7)-1”）→确定
<承接上步操作生成的随机数种子，用伯努利公式，随机抽取70%为训练集，30%为检验集，也就是测试集。公式：2*RV.BERNOULLI(0.7)-1的含义是将新的变量partion划分为1或-1，直接写RV.BERNOULLI(0.7)，就能把新变量partion分为0或1>
输出结果如下：
③分析→神经网络→多层感知器→变量（“是否曾经违约[违约]”选入因变量、“教育水平[教育]”选入因子和“年龄[年龄]、当前雇方工作年限[工龄]、当前地址居住年限[地址]、家庭收入（千元）[收入]、负债收入比率（×100）[负债率]、信用卡负债（千元）[信用卡负债]和其他负债（千元）[其他负债]”选入协变量， 协变量重新标度选择“标准化”）→分区（选择“使用分区变量来分配个案”，将partion选入“分区变量”）→输出（全选）→保存（勾上“保存每个变量的预测值或类别”和“保存每个变量的预测拟概率”）→确定
<这里的“协变量重新标度”有标准化、正态化、调整后正态化和无，四种选项，可根据数据集的情况来选择，对数据进行预处理>
<此处选择“使用分区变量来分配个案”，并将partion选入分区变量中，意义为：接下来的模型训练直接使用之前随机划分好的训练集和测试集；这里也可以选择“根据个案的相对数目随机分配个案”这个选项，但如果之后再重复一遍操作，就不能保证下一次训练集和检验集里的数据与上一次的数据相同。使用该项目时，分区下有训练和检验两个部分，默认值为7和3，即训练集：检验集=7:3，若不想要该比例，也可以自己更改数值>
<输出部分可以全选，待结果出来之后再从输出结果中选择自己需要的结果>
保存：
输出结果如下：
此结果输出中显示了输入层、隐含层和输出层的构成（“偏差”未写出）及使用的函数。输入层由7个协变量、1个因子（包含5种类别）和偏差组成；隐含层只有一层，且该层的单元数有4个；输出层单元数有2个，分别为是否违约。
线条颜色越深，表示权重越大；属性所在方块面积越大，表示该属性在模型中的贡献值越大。
（附:也可在 “体系结构”中，选择“定制体系结构”，然后在“隐藏层数”中选择生成两层隐含层，如下图所示。但要注意的是，多增一层可能会导致数据过拟合的问题）
训练集的分类误差为15.6%，坚持分类误差为25.4%，可见此时的分类效果并不理想。
从下面红圈内的百分比可以看到，该模型的分类效果在实际看来并不理想。
盒图：
ROC曲线：
属性重要性：工龄>地址>信用卡负债>其他负债>收入>年龄>教育>负债率
