R语言实现拟合神经网络; 神经网络包
神经网络一直是迷人的机器学习模型之一,不仅因为花哨的反向传播算法,而且还因为它们的复杂性(考虑到许多隐藏层的深度学习)和受大脑启发的结构。
神经网络并不总是流行,部分原因是它们在某些情况下仍然计算成本高昂,部分原因是与支持向量机(SVM)等简单方法相比,它们似乎没有产生更好的结果。然而,最近神经网络变得流行起来。
在这篇文章中,我们将拟合神经网络,并将线性模型作为比较。
数据集
数据集是郊区房屋价格数据的集合。我们的目标是使用所有其他可用的连续变量来预测自住房屋(medv)的中位数。
首先,我们需要检查是否缺少数据点,否则我们需要填充数据集。
apply(data,2,function(x)sum(is.na(x)))
然后我们拟合线性回归模型并在测试集上进行测试。
index < - sample(1:nrow(data),round(0.75 * nrow(data)))MSE.lm < - sum((pr.lm - test $ medv)^ 2)/ nrow(test)
sample(x,size)
函数简单地从向量输出指定大小的随机选择样本的向量x
。
准备拟合神经网络
在拟合神经网络之前,需要做一些准备工作。神经网络不容易训练和调整。
作为第一步,我们将解决数据预处理问题。
因此,我们先划分数据:
maxs < - apply(data,2,max) scaled < - as.data.frame(scale(data,center = mins,scale = maxs - mins))
train_ < - scaled [index,]
test_ < - scaled [-index,]
请注意,scale
需要转换为data.frame的矩阵。
参数
虽然有几个或多或少可接受的经验法则,但没有固定的规则可以使用多少层和神经元。一般一个隐藏层足以满足大量应用程序的需要。就神经元的数量而言,它应该在输入层大小和输出层大小之间,通常是输入大小的2/3
hidden
参数接受一个包含每个隐藏层的神经元数量的向量,而参数linear.output
用于指定我们要进行回归linear.output=TRUE
或分类linear.output=FALSE
绘制模型:
plot(nn)
这是模型的图形表示,每个连接都有权重:
黑色线条显示每个层与每个连接上的权重之间的连接,而蓝线显示每个步骤中添加的偏差项。偏差可以被认为是线性模型的截距。
使用神经网络预测medv
现在我们可以尝试预测测试集的值并计算MSE。
pr.nn < - compute(nn,test _ [,1:13])
然后我们比较两个MSE。
显然,在预测medv时,网络比线性模型做得更好。但是,这个结果取决于上面执行的训练测试集划分。下面,我们将进行快速交叉验证。
下面绘制了测试集上神经网络和线性模型性能的可视化结果
输出图:
通过检查图,我们可以看到神经网络的预测(通常)在直线周围更加集中(与线完美对齐将表明MSE为0,因此是理想的完美预测)。
下面绘制了模型比较:
交叉验证
交叉验证是构建预测模型的另一个非常重要的步骤。有不同类型的交叉验证方法。
然后通过计算平均误差,我们可以掌握模型。
我们将使用神经网络的for循环和线性模型cv.glm()
的boot
包中的函数来实现快速交叉验证。
据我所知,R中没有内置函数在这种神经网络上进行交叉验证。以下是线性模型的10折交叉验证MSE:
lm.fit < - glm(medv~.,data = data)
我以这种方式划分数据:90%的训练集和10%的测试集,随机方式进行10次。我使用plyr
库初始化进度条,因为神经网络的拟合可能需要一段时间。
过了一会儿,过程完成,我们计算平均MSE并将结果绘制成箱线图:
cv.error
10.32697995
17.640652805 6.310575067 15.769518577 5.730130820 10.520947119 6.121160840
6.389967211 8.004786424 17.369282494 9.412778105
上面的代码输出以下boxplot:
神经网络的平均MSE(10.33)低于线性模型的MSE,尽管交叉验证的MSE似乎存在一定程度的变化。这可能取决于数据的划分或网络中权重的随机初始化。
模型可解释性的说明
神经网络很像黑盒子:解释它们的结果要比解释简单模型(如线性模型)的结果要困难得多。因此,根据您需要解决的应用问题的类型,也要考虑这个因素。此外,需要小心拟合神经网络,小的变化可能导致不同的结果。
R语言实现拟合神经网络; 神经网络包相关推荐
- R语言glmnet拟合lasso回归模型实战:lasso回归模型的模型系数及可视化、lasso回归模型分类评估计算(混淆矩阵、accuracy、Deviance)
R语言glmnet拟合lasso回归模型实战:lasso回归模型的模型系数(lasso regression coefficients)及可视化.lasso回归模型分类评估计算(混淆矩阵.accura ...
- R语言glmnet拟合岭回归模型实战:岭回归模型的模型系数(ridge regression coefficients)及可视化、岭回归模型分类评估计算(混淆矩阵、accuracy、Deviance)
R语言glmnet拟合岭回归模型(ridge regression)实战:岭回归模型的模型系数(ridge regression coefficients)及可视化.岭回归模型分类评估计算(混淆矩阵. ...
- R语言glm拟合logistic回归模型实战:基于glm构建逻辑回归模型及模型系数统计显著性分析、每个预测因子对响应变量的贡献
R语言glm拟合logistic回归模型实战:基于glm构建逻辑回归模型及模型系数统计显著性分析.每个预测因子对响应变量的贡献 目录
- R语言glm拟合logistic回归模型:模型评估(模型预测概率的分组密度图、混淆矩阵、准确率、精确度、召回率、ROC、AUC)、PRTPlot函数获取logistic模型最优阈值(改变阈值以优化)
R语言glm拟合logistic回归模型:模型评估(模型预测概率的分组密度图.混淆矩阵.Accuray.Precision.Recall.ROC.AUC).PRTPlot函数可视化获取logistic ...
- R语言可视化分别使用lattice包和ggplot2包可视化热图(heatmap)并绘制热力图对应的系统树图(dendrogram)实战
R语言可视化分别使用lattice包和ggplot2包可视化热图(heatmap)并绘制热力图对应的系统树图(dendrogram)实战 目录
- R语言glm拟合logistic回归模型:模型评估(计算模型拟合的统计显著性)、模型评估(赤信息AIC指标计算)
R语言glm拟合logistic回归模型:模型评估(计算模型拟合的统计显著性).模型评估(赤信息AIC指标计算) 目录
- R语言ggplot2可视化使用ggridges包可视化山脊图(Ridgeline Plots):山脊图(Ridgeline Plots)应用场景、受试者口服茶碱的之后观察茶碱的浓度变化的山脊图
R语言ggplot2可视化使用ggridges包可视化山脊图(Ridgeline Plots):山脊图(Ridgeline Plots)应用场景.受试者口服茶碱的之后观察茶碱的浓度变化的山脊图(Rid ...
- R语言ggplot2可视化使用ggplot2包patchwork包在可视化结果(右上角)中插入logo图片
R语言ggplot2可视化使用ggplot2包patchwork包在可视化结果(右上角)中插入logo图片 目录
- R语言·文本挖掘︱Rwordseg/rJava两包的安装(安到吐血)
每每以为攀得众山小,可.每每又切实来到起点,大牛们,缓缓脚步来俺笔记葩分享一下吧,please~ --------------------------- R语言·文本挖掘︱Rwordseg/rJava ...
- R语言︱文本挖掘之中文分词包——Rwordseg包(原理、功能、详解)
笔者寄语:与前面的RsowballC分词不同的地方在于这是一个中文的分词包,简单易懂,分词是一个非常重要的步骤,可以通过一些字典,进行特定分词.大致分析步骤如下: 数据导入--选择分词字典--分词 但 ...
最新文章
- Excel技巧之——英文大小写转换(转)
- 什么是bps (bits per second)?—Vecloud微云
- r语言数据变量分段_R数据分析:用R语言做meta分析
- 汉字乱码_彻底搞懂这烦人的编码与乱码!
- python字符串之join
- 【转】Wireshark网络抓包(一)——数据包、着色规则和提示
- APK逆向之静态分析篇
- 备案域名绑定服务器后 提示需要备案_小程序开发需要多少钱?
- Linux系统中用户的管理
- 贝壳反击浑水做空报告 股价上涨近6%
- Sharding-Sphere,Sharding-JDBC_分库分表介绍_Sharding-Sphere,Sharding-JDBC分布式_分库分表工作笔记002
- linux 下ip命令对比ifconfig命令
- 为什么你很努力,进步却很慢?
- Android手机模拟器如何把语言设置为中文
- LPC1788内部EEPROM使用的问题
- 小程序drawImage接口canvas生成产品海报失败
- IIS 405 Method Not Allowed
- meta禁用浏览器缓存
- uniapp 安卓快捷方式插件(桌面长按app图标) Ba-Shortcut
- 【转载】阿里云域名解析将一个域名指向另一个域名
热门文章
- 各种有意思的Github项目收集,不断更新
- 4.4 Kali与windows xp之间搭建TFTP服务
- 为什么别人的晋升速度这么快?
- 微信爬取过程中参数分析
- java.lang.ClassNotFoundException: org.springframework.boot.actuate.autoconfigure.endpoint.web.WebEnd
- Word文档 回车符去除
- linux内核启动过程和启动第一个应用程序
- 3年100亿!苏宁易购与倍科达成重磅战略合作
- 数据结构——栈(栈结构、栈面试题、栈的操作、栈结构实现、进制的转换)
- 旧貌换新颜 | 凯云科技整装待发,迎风飞扬