新版功能增加了神經法與遺傳訓練法
神經法是基於一種稱為Turboprop2的算法，TurboProp2動態增長隱藏的神經元和訓練非常快，TurboProp2模型是建立在幾秒鐘內，而相比以前舊款的神經網路則為數小時。而遺傳訓練法是遺傳演算法變異的概率神經網路 (PNN)，需要較長的時間，因為訓練集中增加了更多的模式。兩種模式相對於舊版本的問題：時間太慢與模型中的變量因素不明確有了很大的改善，讓解決分類與決策問題更有效率。
藉由學習歷史資料來將資料分類和分級
NeuroShell分類器從制定出來就以解決分類和決策問題為目標，它可以藉由學習歷史資料來將資料分類和分級，例如在醫學上根據病例歷史記錄的類別檢測新數據中的類別。而它具有最新的專有神經和遺傳分類器，無需設置參數，是功能最強大的神經網路。
系統需求
Windows 7 / Windows8 / Windows10
適用對象
1. 金融風控與信用評估團隊：需要對大量客戶資料進行違約風險或信用等級分類，NeuroShell Classifier 可快速建立分類模型，輔助授信決策並降低人工審核成本。
2. 醫療與生醫研究機構：面對複雜的病患特徵資料需進行疾病分類或風險分群，NeuroShell Classifier 提供多層感知器與徑向基函數等演算法，適合輔助臨床判斷與研究分析。
3. 製造業品質管制部門：需從生產線感測數據中即時辨識良品與瑕疵品，NeuroShell Classifier 的批次訓練與快速預測能力可整合至品管流程，提升良率與生產效率。
核心使用情境
- 【場景：信用風險分類自動化】某銀行消費金融部門每月需審核數千筆貸款申請，傳統規則型評分系統難以捕捉非線性風險特徵。導入 NeuroShell Classifier 後，分析師將歷史核貸資料匯入系統，透過圖形化介面選擇適合的神經網路架構並完成模型訓練，無需撰寫任何程式碼。模型上線後，系統可自動對新申請案件進行高、中、低風險分類，大幅縮短審核週期，並提升拒絕高風險案件的準確率。
- 【場景：醫療影像特徵分類輔助】某醫學研究中心針對乳癌篩檢資料進行研究，需從數百個腫瘤特徵指標中建立良性／惡性分類模型。研究人員將結構化特徵資料匯入 NeuroShell Classifier，利用內建的自動最佳化功能比較多種神經網路架構的分類效能，並透過混淆矩陣與準確率報表評估模型表現。最終產出的分類模型作為輔助工具，協助醫師在初篩階段快速識別高風險個案，提升整體診斷效率。
- 【場景：工廠瑕疵品智慧分級】某電子零組件製造商的品管部門面臨人工目視檢測效率低落、誤判率偏高的問題。工程師將歷史檢測數據（包含尺寸公差、電氣特性、外觀評分等欄位）匯入 NeuroShell Classifier，訓練出能將產品自動分為「合格」「待確認」「報廢」三類的分類模型。模型部署後整合至現有品管系統，實現即時分類判斷，不僅減少人工複檢工時，也讓品管標準更加一致與可追溯。
常見問題 FAQ
Q：NeuroShell Classifier 適合沒有程式設計背景的使用者嗎？
A：是的，NeuroShell Classifier 採用圖形化操作介面，使用者無需具備程式設計能力，即可透過資料匯入、參數設定與視覺化報表完成完整的神經網路分類模型建置流程，特別適合領域專家與資料分析師直接上手使用。
