1）基于机器学习的神经网络预测模型有效性分析

为了避免过度拟合问题，本研究采取十折交叉验证，在分区时设置90%的数据用于训练模型，剩余的10%用于预测模型的精度。先前的研究表明，可以利用RMSE值来衡量模型预测的准确性（Hyndman ＆ amp；Koehler，2006）。RMSE的值越小表示预测精度越高，模型越好。RMSE的计算方法如下所示：

其中，XObs表示观察值，而Xtrue表示真实值。

如表9-5所示，训练和测试模型的RMSE值分别为0.343和0.139，标准差分别为0.030和0.061，这表明该ANN模型预测结果较为准确。

表9-5　训练集和测试集的RMSE值

2）网购行为执行意向神经网络预测模型

如图9-5所示，本章研究生成了具有四个输入神经元、三个隐藏神经元和一个输出神经元的ANN模型，其中输入神经元分别为手机依赖、心理抗拒、分心、商品卷入度，输出神经元为网购行为执行意向。(www.daowen.com)

图9-5　ANN模型

3）敏感性分析

如表9-6所示，本研究首先对每个变量分别求均值，并进行归一化处理，然后通过十折交叉验证得到重要度向量。其中，归一化重要度值是每个指标的重要度值除以最大重要度值得到的比率，此处以百分比形式表示。根据敏感性分析可知，手机依赖是决定消费者网购行为执行意向最重要的因素，其次是心理抗拒、分心和商品卷入度。

表9-6　敏感性分析

（续表）