ニューラルネットワークと重回帰分析を比較してみると・・・説明変数と目的変数の数が少ない場合は、どちらを用いても良いのですが、(a)説明変数や目的変数の数が膨大になるケースや、(b)分析に用いるデータベースが頻繁に更新される場合は、ニューラルネットワークの方が使いやすいのかも知れません。要は、予測モデル式のメンテナンスが容易ということです。
そもそも、重回帰分析から得られる回帰式は計算式ですが、ニューラルネットワークもまた膨大な数の計算式の集合体です。
(a)説明変数や目的変数の数が膨大になると、目的変数の数だけ重回帰分析を行う必要があり、一つの重回帰分析に用いる説明変数が多くなると、なかなか面倒です。かつて説明変数が３０種類近い重回帰式を１００本近く、エクセルで、手動でちまちまと作成したことがありますが、ハッキリ言ってしんどい作業でした。
これに対して、ニューラルネットワークは入力層と出力層のニューロン数を、各々、説明変数と目的変数の数に対応させ、後はデータを学習させれば良いのです。学習が進むにつれて、ニューラルネットワークは自動的に、説明変数と目的変数に最適化されていきます。
(b)分析に用いるデータベースが頻繁に更新される場合、重回帰分析の式はその都度、重回帰分析を行って回帰式（計算式）のアップデートを行う必要があります。
これに対して、ニューラルネットワークは、既にある状態のまま、新たに更新されたデータベースを追加学習してゆけば良いのです。こちらでわざわざ式を作り直す必要がありません。要は、ニューラルネットワークが勝手に学習して、自らを最適化してしまうのです。
そもそも、重回帰分析から得られる回帰式は計算式ですが、ニューラルネットワークもまた膨大な数の計算式の集合体です。
(a)説明変数や目的変数の数が膨大になると、目的変数の数だけ重回帰分析を行う必要があり、一つの重回帰分析に用いる説明変数が多くなると、なかなか面倒です。かつて説明変数が３０種類近い重回帰式を１００本近く、エクセルで、手動でちまちまと作成したことがありますが、ハッキリ言ってしんどい作業でした。
これに対して、ニューラルネットワークは入力層と出力層のニューロン数を、各々、説明変数と目的変数の数に対応させ、後はデータを学習させれば良いのです。学習が進むにつれて、ニューラルネットワークは自動的に、説明変数と目的変数に最適化されていきます。
(b)分析に用いるデータベースが頻繁に更新される場合、重回帰分析の式はその都度、重回帰分析を行って回帰式（計算式）のアップデートを行う必要があります。
これに対して、ニューラルネットワークは、既にある状態のまま、新たに更新されたデータベースを追加学習してゆけば良いのです。こちらでわざわざ式を作り直す必要がありません。要は、ニューラルネットワークが勝手に学習して、自らを最適化してしまうのです。
