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 ...

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。

数据集

准备拟合神经网络

参数

使用神经网络预测medv

交叉验证

模型可解释性的说明

R语言实现拟合神经网络；神经网络包相关推荐

最新文章

热门文章

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。

数据集

准备拟合神经网络

参数

使用神经网络预测medv

交叉验证

模型可解释性的说明

R语言实现拟合神经网络； 神经网络包相关推荐

最新文章

热门文章

R语言实现拟合神经网络；神经网络包

R语言实现拟合神经网络；神经网络包相关推荐