多层前馈神经网络实例—

数据集准备

这里使用一个宏观数据集，因变量是Y，一共有六个自变量，共计228条记录。数量有点少，不过凑合着用用吧。

> head(data_csdn)Y       X1       X2       X3       X4       X5        X6
1 5.361104 4.531524 9.392412 4.593098 7.886871 3.018472 2.8848007
2 5.284320 4.550292 9.455950 4.592085 7.839289 3.739573 0.7419373
3 5.678670 4.560487 9.336268 4.587006 7.784515 4.295924 2.1972246
4 5.657459 4.552824 9.325899 4.582925 7.765060 4.628887 2.2082744
5 5.676377 4.542443 9.295508 4.582925 7.768110 4.934690 2.1860513
6 5.701146 4.533030 9.294773 4.583947 7.795153 5.223917 2.2082744
> nrow(data_csdn)
[1] 228

探索性数据分析

由于多层前馈神经网络需要输入值为0附近小范围的数据，因此，我们需要进行一下探索性数据分析，以便于判断是否进行中心化处理。

> summary(data_csdn)Y               X1              X2               X3              X4               X5              X6        Min.   :5.284   Min.   :4.405   Min.   : 9.295   Min.   :4.583   Min.   : 7.765   Min.   :2.908   Min.   :-1.470  1st Qu.:6.630   1st Qu.:4.506   1st Qu.: 9.820   1st Qu.:4.613   1st Qu.: 8.341   1st Qu.:5.275   1st Qu.: 2.089  Median :7.557   Median :4.586   Median :10.344   Median :4.623   Median : 9.093   Median :5.956   Median : 2.481  Mean   :7.307   Mean   :4.611   Mean   :10.345   Mean   :4.625   Mean   : 9.086   Mean   :5.801   Mean   : 2.381  3rd Qu.:8.068   3rd Qu.:4.733   3rd Qu.:10.924   3rd Qu.:4.635   3rd Qu.: 9.844   3rd Qu.:6.494   3rd Qu.: 2.773  Max.   :8.316   Max.   :4.875   Max.   :11.369   Max.   :4.689   Max.   :10.455   Max.   :7.178   Max.   : 3.347

我们发现，Y、X2等特征范围比较大，因此需要进行中心化（标准化）处理。
有两种中心化（标准化）处理方法：

(数据-均值)/标准差
这个方法可以用R里面的scale()函数来实现。

#center：是否中心化
#scale：是否标准化
scale(x, center = TRUE, scale = TRUE)

(数据-min)/(max-min)
这个暂时没有现成的方法，可以自定义函数来实现。

normalize<-function(x){return((x-min(x))/(max(x)-min(x)))
}
data_normal<-as.data.frame(lapply(data_csdn,normalize))

现在我们来看看是否达到了我们的目的：

> summary(data_normal)Y                X1               X2               X3               X4               X5               X6        Min.   :0.0000   Min.   :0.0000   Min.   :0.0000   Min.   :0.0000   Min.   :0.0000   Min.   :0.0000   Min.   :0.0000  1st Qu.:0.4438   1st Qu.:0.2147   1st Qu.:0.2534   1st Qu.:0.2859   1st Qu.:0.2140   1st Qu.:0.5543   1st Qu.:0.7387  Median :0.7496   Median :0.3839   Median :0.5060   Median :0.3784   Median :0.4935   Median :0.7138   Median :0.8201  Mean   :0.6671   Mean   :0.4376   Mean   :0.5062   Mean   :0.3970   Mean   :0.4910   Mean   :0.6774   Mean   :0.7995  3rd Qu.:0.9180   3rd Qu.:0.6967   3rd Qu.:0.7855   3rd Qu.:0.4903   3rd Qu.:0.7727   3rd Qu.:0.8399   3rd Qu.:0.8807  Max.   :1.0000   Max.   :1.0000   Max.   :1.0000   Max.   :1.0000   Max.   :1.0000   Max.   :1.0000   Max.   :1.0000

各个特征值的max和min均为0和1，OK！

划分训练集和测试集

考虑到在划分过程中，测试集和训练集都要具有对原始集的代表性，所以这里使用随机抽样的原理进行划分：

set.seed(33333)
data_rand<-data_normal[order(runif(nrow(data_normal))),]
data_train<-data_rand[1:205,]
data_test<-data_rand[206:228,]

训练模型

简单介绍三个R中可以做神经网络的package：

neuralnet：常用，本文只用的就是这个；
nnet：R原生库自带，最常用；
RSNNS：功能最强大，学习成本也最高。

使用前安装加载：

install.packages("neuralnet")
library(neuralnet)

训练一个仅含一个hidden layer的神经网络：

neuromodel<-neuralnet(Y~X1+X2+X3+X4+X5+X6,data=data_train,hidden=1)

神经网络可视化：

plot(neuromodel)

图中，圈中有1代表的是偏差项，从输入层到隐藏层的每个箭头上的数字表示的是权重，图下面的Error表示的误差平方和，可以用来评估模型优劣，step是训练的步数。

模型性能评估

这里使用相关系数来评估系统性能：

neuropredict<-compute(neuromodel,data_test[,-1])
neuroresult<-neuropredict$net.result
cor(neuroresult,data_test$Y)

> cor(neuroresult,data_test$Y)[,1]
[1,] 0.9873125732

可以看到，cor超过0.9，说明性能很出色。

by Yuhua20180531

多层前馈神经网络实例——R语言相关推荐

神经网络-多层前馈神经网络
神经网络-反向传播算法神经网络-激活函数神经网络是将许多个神经元按一定的层次结构连接起来的网络结构.不同的层次结构会产出不同类型神经网络,比如前馈神经网络和递归神经网络. 神经元神经元是神经网络 ...
什么是多层前馈神经网络,多层前馈神经网络原理
前馈神经网络.BP神经网络.卷积神经网络的区别与联系一.计算方法不同1.前馈神经网络:一种最简单的神经网络,各神经元分层排列.每个神经元只与前一层的神经元相连.接收前一层的输出,并输出给下一层．各层 ...
完整详细的回归分析实例R语言实现（含数据代码）
目录问题2.15 (1)画散点图 1.1问题求解 1.1.1输入 1.1.2输出 (2)x{x}x与yyy之间是否大致呈线性关系 (3)用最小二乘估计求回归方程 3.1问题分析 3.2问题求解 3. ...
前馈神经网络_BP算法+R语言程序运行实例
前馈神经网络_BP算法+R语言程序运行实例目录关于神经网络的介绍前馈神经网络应用到机器学习参数学习误差反向传播程序实例(R语言) 前言今天是小白学习神经网络的第一次博客文章,希望以后的 ...
R语言 BP神经网络
神经网络是由具有适应性的简单单元组成的广泛进行互联的网络,它的组织能够模拟生物神经系统对真实世界物体所做的交互反应. 人工神经网络对一组输入信号和一组输出信号之间的关系建模,使用的模型来源于人类大脑对 ...
【Matlab】基于多层前馈网络BP神经网络实现多分类预测（Excel可直接替换数据）
[Matlab]基于多层前馈网络BP神经网络实现多分类预测(Excel可直接替换数据) 1.算法简介 1.1 算法原理 1.2 算法流程 2.测试数据集 3.替换数据 4.混淆矩阵 5.对比结果 6. ...
混凝土的强度预测（R语言超详细完整代码介绍)神经网络+线性回归
任务背景在工程领域中,对建筑材料的性能有精确的估计至关重要.这些估计是必需的,以便制定安全准则来管理用于楼宇.桥梁和道路建设中的材料. 估计混泥土的强度是一个特别有趣的挑战.尽管混泥土几乎要用于每一 ...
predict函数 R_学习|R语言做机器学习的常用函数总结
预测函数:predict() type="prob"判别该量度的昆虫归类为A.B和C的概率:type="response":判别该量度的昆虫的类别: 预测分类的 ...
R语言主成分回归（PCR）、多元线性回归特征降维分析光谱数据和汽车油耗、性能数据...
原文链接:http://tecdat.cn/?p=24152 什么是PCR?(PCR = PCA + MLR)(点击文末"阅读原文"获取完整代码数据). • PCR是处理许多 x ...

多层前馈神经网络实例——R语言