Trong quá trình học, giá trị đầu vào được đưa vào mạng và theo dịng chảy trong mạng tạo thành giá trị ở đầu ra.
Tiếp đến là quá trình so sánh giá trị tạo ra bởi mạng Neural với giá trị ra mong muốn. Nếu hai giá trị này giống nhau thì khơng thay đổi gì cả. Tuy nhiên, nếu cĩ một sai lệch giữa hai giá trị này vượt quá giá trị sai số mong muốn thì đi ngược mạng từ đầu ra về đầu vào để thay đổi một số kết nối.
Đây là một quá trình lặp liên tục và cĩ thể khơng dừng khi khơng tìm ra các giá trị w sao cho đầu ra tạo bởi mạng Neural bằng đúng đầu ra mong muốn Do đĩ trong th c tế người ta phải thiết lập tiêu chuẩn d a trên một giá trị sai số nào đĩ của hai giá trị này, hay d a trên một số lần lặp xác định.
2.4.2.2. Đánh giá hiệu quả của các mơ hình khai phá dữ liệu:
Để đánh giá hiệu quả của mơ hình khai phá dữ liệu, chúng ta cĩ thể c n cứ vào một số tiêu chí như tính chính xác, tính ổn định, tính hữu dụng Trong đĩ, tiêu chí về tính chính xác được đánh giá đầu tiên. SQL Server 2012 hỗ trợ nhiều phương pháp đánh giá hiệu quả của mơ hình khai phá dữ liệu, trong đĩ hai cơng cụ thường được sử dụng là Lift Chart và Confusion Matrix.
Chúng ta cĩ thể đánh giá các mơ hình khai phá dữ liệu bằng cách sử dụng Lift Chart như sau:
Giả sử, chúng ta dùng hai thuật tốn Microsoft Decision Tree và Microsoft Nạve Bayes để xây d ng mơ hình d đốn khả n ng mua xe đạp của khách hàng. Trong Lift Chart thuộc tính d đốn là BikeBuyer (Mua xe đạp, cĩ 2 giá trị là 1:mua và 0: khơng mua), nếu ta chọn giá trị cho BikeBuyer là 1 cho Lift Chart cĩ nghĩa Lift Chart thể hiện khả n ng d đốn của mơ hình cho các khách hàng cĩ khả n ng mua xe đạp. Kết quả thu được như trong hình 2.12.