神经网络挖掘模型与logistic回归挖掘模型的不同点有哪些？

逻辑回归有点像线性回归，但是它是当因变量不是数字时使用。比如说因变量是布尔变量（如是/否响应），这时候就需要逻辑回归。它称为回归，但实际上是是根据回归进行分类，它将因变量分类为两个类中的任何一个。网页链接如上所述，逻辑回归用于预测二进制输出。例如，如果信用卡公司打算建立一个模型来决定是否向客户发放信用卡，它将模拟客户是否需要这张或者能够承担这张信用卡 。它给出了事件发生概率的对数，以记录未发生事件的概率。最后，它根据任一类的较高概率对变量进行分类。而神经网络（Neutral Network）是通过数学算法来模仿人脑思维的，它是数据挖掘中机器学习的典型代表。神经网络是人脑的抽象计算模型，我们知道人脑中有数以百亿个神经元（人脑处理信息的微单元），这些神经元之间相互连接，是的人的大脑产生精密的逻辑思维。而数据挖掘中的“神经网络”也是由大量并行分布的人工神经元（微处理单元）组成的，它有通过调整连接强度从经验知识中进行学习的能力，并可以将这些知识进行应用。神经网络就像是一个爱学习的孩子，您教她的知识她是不会忘记而且会学以致用的。我们把学习集（Learning Set）中的每个输入加到神经网络中，并告诉神经网络输出应该是什么分类。在全部学习集都运行完成之后，神经网络就根据这些例子总结出她自己的想法，到底她是怎么归纳的就是一个黑盒了。之后我们就可以把测试集（Testing Set）中的测试例子用神经网络来分别作测试，如果测试通过（比如80%或90%的正确率），那么神经网络就构建成功了。我们之后就可以用这个神经网络来判断事务的分类了。具体来说，”神经网络“是一组互相连接的输入/输出单元，其中每个连接都会与一个券种相关联。在学习阶段，通过调整这些连接的权重，就能够预测输入观测值的正确类标号。因此可以理解为人工神经网络是由大量神经网络元通过丰富完善的连接、抽样、简化和模拟而形成的一种信息处理系统。

从神经元的特性和功能可以知道，神经元是一个多输入单输出的信息处理单元，而且，它对信息的处理是非线性的。根据神经元的特性和功能，可以把神经元抽象为一个简单的数学模型。工程上用的人工神经元模型如图1-4所示。
图1-4 神经元的数学模型
在图1-4中，x1，x2，……，xn是神经元的输入，即是来自前级n个神经元的轴突的信息a，σ是i神经元的阈值；wi1，wi2……，win分别是i神经元对x1，x2，……，xn的权系数，也即突触的传递效率；yi是i神经元的输出；f[·]是激发函数，它决定i神经元受到输人x1，x2，……，xn的共同刺激达到阀值时以何种方式输出。
从图1-4的神经元模型，可以得到神经元的数学模型表达式：
(1-1)
图1-5.典型激发函数
对于激发函数f[·]有多种形式，其中最常见的有阶跃型、线性型和s型三种形式，这三种形式如图1—5所示。
为了表达方便；令：
(1-2)
则式(1-1)可写成下式：
yi=f[ui] ； (1-3)
显然，对于阶跃型激发涵数有：
(1-4)
对于线性型激发函数，有：
f(ui)=ku； (1-5)
对于s型激发函数，有：
(1-6)
对于阶跃型激发函数，它的输出是电位脉冲，故而这种激发函数的神经元称离散输出模型。
对于线性激发函数，它的输出是随输入的激发总量成正比的；故这种神经元称线性连续型模型。
对于用s型激发函数，它的输出是非线性的；故这种神经元称非线性连续型模型。
上面所叙述的是最广泛应用而且人们最熟悉的神经元数学模型；也是历史最长的神经元模型。近若干年来，随着神经网络理论的发展，出现了不少新颖的神经元数学模型，这些模型包括逻辑神经元模型，模糊神经元模型等，并且渐渐也受到人们的关注和重视。 能对商品价格、股票价格和企业的可信度等进行短期预测
另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。