我正在尝试使用R中可用于“虹膜”数据集的“神经网络”包实现一个简单的多层前馈神经网络。
我使用的代码如下 -
library(neuralnet)
data(iris)
D <- data.frame(iris, stringsAsFactors=TRUE)
# create formula-
f <- as.formula(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width)
# convert qualitative variables to dummy (binary) variables-
m <- model.matrix(f, data = D)
# create neural network-
iris_nn <- neuralnet(f, data = m, hidden = 4, learningrate = 0.3)
我现在有两个问题 -
1.）如何使用“隐藏”参数？根据手册页，其说 -
隐藏：整数向量，指定每层中隐藏神经元（顶点）的数量
我应该如何提供整数向量？如果我想在每层中有1个隐藏的4个神经元/感知器层，或者如果我想在每个层中有3个隐藏的5个神经元层，那就说。
2.）最后一行代码给了我错误 -
eval中的错误（predvars，data，env）：找不到对象'Species'
如果我删除“隐藏”参数，则此错误仍然存在。
我在这做错了什么？
编辑：添加行后 -
m <- model.matrix(f, data = D)
矩阵'm'不再包含我试图预测的“物种”变量/属性。
输出
str(D)
str（D）'data.frame'：150 obs。 5个变量：$ Sepal.Length：num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ... $ Sepal.Width：num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ... $ Petal.Length：num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ... $ Petal.Width：num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ... $种类：因子w / 3级“setosa”，“versicolor”，..：1 1 1 1 1 1 1 1 1 1 ...
我已成功用“nnet”编码了这个。发布我的代码供参考 -
data(iris)
library(nnet)
# create formula-
f <- as.formula(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width)
# create a NN with hidden layer having 4 neurons/node and
# maximum number of iterations = 3
iris_nn <- nnet(f, data = iris, size = 4, maxit = 3)
# create a test data-
new_obs <- data.frame(Sepal.Length = 5.5, Sepal.Width = 3.1, Petal.Length = 1.4, Petal.Width = 0.4)
# make prediction-
predict(iris_nn, new_obs) # gives percentage of which class it may belong
predict(iris_nn, new_obs, type = "class") # gives the class instead of percentages of which 'class' this data type may belong to
# create a 'confusion matrix' to measure accuracy of model-
# rows are actual values and columns are predicted values-
# table(iris$Species, predict(iris_nn, iris[, 1:4], type = "class"))
cat("\n\nConfusion Matrix for # of iters = 3\n")
print(table(iris$Species, predict(iris_nn, iris[, 1:4], type = "class")))
cat("\n\n")
rm(iris_nn)
# setting 'maxit' to 1000, makes the model coverge-
iris_nn <- nnet(f, data = iris, size = 4, maxit = 1000)
# create a new confusion matrix to check model accuracy again-
cat("\n\nConfusion Matrix for # of iters = 1000\n")
print(table(iris$Species, predict(iris_nn, iris[, 1:4], type = "class")))
# table(iris$Species, predict(iris_nn, iris[, 1:4], type = "class"))
# to plot 'iris_nn' trained NN-
# library("NeuralNetTools")
# plotnet(iris_nn)
谢谢！！
不知道NN如何运行以及运行它的最佳方式是什么。对虹膜数据集也不太了解。
只是指出为什么它没有运行 - 列Species
str(d)
'data.frame': 150 obs. of 5 variables:
$ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
$ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
$ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
$ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
$ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
qazxsw poi是一个因素NN不采取因素。
转换为虚拟变量 -
Species编辑：
所以当你说d$set <-0
d$set[d$Species == "setosa"] <- 1
d$versi <-0
d$versi[d$Species == "versicolor"] <- 1
f <- as.formula(set+versi ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width)
iris_nn <- neuralnet(f, data = d, hidden = 4, learningrate = 0.3)
然后神经网络图将有你的输入节点，5个并排隐藏节点（一个层），3个并排隐藏节点（另一个层），输出节点/节点
不知道它们如何影响准确性。
hidden = c(5,3)的compute就像所有其他机器学习模型的预测一样。
neuralnet