原文链接：http://tecdat.cn/?p=19936
在本教程中 ， 您将学习如何在R中创建神经网络模型 。
神经网络（或人工神经网络）具有通过样本进行学习的能力 。 人工神经网络是一种受生物神经元系统启发的信息处理模型 。 它由大量高度互连的处理元件（称为神经元）组成 ， 以解决问题 。 它遵循非线性路径 ， 并在整个节点中并行处理信息 。 神经网络是一个复杂的自适应系统 。 自适应意味着它可以通过调整输入权重来更改其内部结构 。
该神经网络旨在解决人类容易遇到的问题和机器难以解决的问题 ， 例如识别猫和狗的图片 ， 识别编号的图片 。 这些问题通常称为模式识别 。 它的应用范围从光学字符识别到目标检测 。
本教程将涵盖以下主题：

• 神经网络概论
• 正向传播和反向传播
• 激活函数
• R中神经网络的实现
• 案例
• 利弊
• 结论

神经网络概论
神经网络是受人脑启发执行特定任务的算法 。 它是一组连接的输入/输出单元 ， 其中每个连接都具有与之关联的权重 。 在学习阶段 ， 网络通过调整权重进行学习 ， 来预测给定输入的正确类别标签 。
人脑由数十亿个处理信息的神经细胞组成 。 每个神经细胞都认为是一个简单的处理系统 。 被称为生物神经网络的神经元通过电信号传输信息 。 这种并行的交互系统使大脑能够思考和处理信息 。 一个神经元的树突接收来自另一个神经元的输入信号 ， 并根据这些输入将输出响应到某个其他神经元的轴突 。


文章图片

【函数|拓端tecdat|R语言中的BP神经网络模型分析学生成绩】树突接收来自其他神经元的信号 。 单元体将所有输入信号求和以生成输出 。 当总和达到阈值时通过轴突输出 。 突触是神经元相互作用的一个点 。 它将电化学信号传输到另一个神经元 。


文章图片



文章图片

x1 ， x2 .... xn是输入变量 。 w1 ， w2 .... wn是各个输入的权重 。 b是偏差 ， 将其与加权输入相加即可形成输入 。 偏差和权重都是神经元的可调整参数 。 使用一些学习规则来调整参数 。 神经元的输出范围可以从-inf到+ inf 。 神经元不知道边界 。 因此 ， 我们需要神经元的输入和输出之间的映射机制 。 将输入映射到输出的这种机制称为激活函数 。
前馈和反馈人工神经网络
人工神经网络主要有两种类型：前馈和反馈人工神经网络 。 前馈神经网络是非递归网络 。 该层中的神经元仅与下一层中的神经元相连 ， 并且它们不形成循环 。 在前馈中 ， 信号仅在一个方向上流向输出层 。
反馈神经网络包含循环 。 通过在网络中引入环路 ， 信号可以双向传播 。 反馈周期会导致网络行为根据其输入随时间变化 。 反馈神经网络也称为递归神经网络 。


文章图片

激活函数
激活函数定义神经元的输出 。 激活函数使神经网络具有非线性和可表达性 。 有许多激活函数：

• 识别函数 通过激活函数 Identity ， 节点的输入等于输出 。 它完美拟合于潜在行为是线性（与线性回归相似）的任务 。 当存在非线性 ， 单独使用该激活函数是不够的 ， 但它依然可以在最终输出节点上作为激活函数用于回归任务 。。
• 在 二元阶梯函数（Binary Step Function）中 ， 如果Y的值高于某个特定值（称为阈值） ， 则输出为True（或已激活） ， 如果小于阈值 ， 则输出为false（或未激活） 。 这在分类器中非常有用 。
• S形函数 称为S形函数 。 逻辑和双曲正切函数是常用的S型函数 。 有两种：
• Sigmoid函数 是一种逻辑函数 ， 其中输出值为二进制或从0到1变化 。
• tanh函数 是一种逻辑函数 ， 其输出值在-1到1之间变化 。 也称为双曲正切函数或tanh 。
• ReLU函数又称为修正线性单元（Rectified Linear Unit） ， 是一种分段线性函数 ， 其弥补了sigmoid函数以及tanh函数的梯度消失问题 。 它是最常用的激活函数 。 对于x的负值 ， 它输出0 。

文章图片

在R中实现神经网络
创建训练数据集
我们创建数据集 。 在这里 ， 您需要数据中的两种属性或列：特征和标签 。 在上面显示的表格中 ， 您可以查看学生的专业知识 ， 沟通技能得分和学生成绩 。 因此 ， 前两列（专业知识得分和沟通技能得分）是特征 ， 第三列（学生成绩）是二进制标签 。

1. #创建训练数据集
2. # 在这里 ， 把多个列或特征组合成一组数据
3. test=data.frame(专业知识,沟通技能得分)

让我们构建神经网络分类器模型 。
首先 ， 导入神经网络库 ， 并通过传递标签和特征的参数集 ， 数据集 ， 隐藏层中神经元的数量以及误差计算来创建神经网络分类器模型 。

2. # 拟合神经网络
3. nn(成绩~专业知识+沟通技能得分, hidden=3,act.fct = "logistic",
4. linear.output = FALSE)

这里得到模型的因变量、自变量、损失函数、激活函数、权重、结果矩阵（包含达到的阈值 ， 误差 ， AIC和BIC以及每次重复的权重的矩阵）等信息：

1. $model.list
2. $model.list$response
3. [1] "成绩"
5. $model.list$variables
6. [1] "专业知识" "沟通技能得分"
9. $err.fct
10. function (x, y)
11. {
12. 1/2 * (y - x)^2
13. }
14. $act.fct
15. function (x)
16. {
17. 1/(1 + exp(-x))
18. }
19. $net.result
20. $net.result[[1]]
21. [,1]
22. [1,] 0.980052980
23. [2,] 0.001292503
24. [3,] 0.032268860
25. [4,] 0.032437961
26. [5,] 0.963346989
27. [6,] 0.977629865
30. $weights
31. $weights[[1]]
32. $weights[[1]][[1]]
33. [,1] [,2] [,3]
34. [1,] 3.0583343 3.80801996 -0.9962571
35. [2,] 1.2436662 -0.05886708 1.7870905
36. [3,] -0.5240347 -0.03676600 1.8098647
38. $weights[[1]][[2]]
39. [,1]
40. [1,] 4.084756
41. [2,] -3.807969
42. [3,] -11.531322
43. [4,] 3.691784
47. $generalized.weights
48. $generalized.weights[[1]]
49. [,1] [,2]
50. [1,] 0.15159066 0.09467744
51. [2,] 0.01719274 0.04320642
52. [3,] 0.15657354 0.09778953
53. [4,] -0.46017408 0.34621212
54. [5,] 0.03868753 0.02416267
55. [6,] -0.54248384 0.37453006
58. $startweights
59. $startweights[[1]]
60. $startweights[[1]][[1]]
61. [,1] [,2] [,3]
62. [1,] 0.1013318 -1.11757311 -0.9962571
63. [2,] 0.8583704 -0.15529112 1.7870905
64. [3,] -0.8789741 0.05536849 1.8098647
66. $startweights[[1]][[2]]
67. [,1]
68. [1,] -0.1283200
69. [2,] -1.0932526
70. [3,] -1.0077311
71. [4,] -0.5212917
75. $result.matrix
76. [,1]
77. error 0.002168460
78. reached.threshold 0.007872764
79. steps 145.000000000
80. Intercept.to.1layhid1 3.058334288
81. 专业知识.to.1layhid1 1.243666180
82. 沟通技能得分.to.1layhid1 -0.524034687
83. Intercept.to.1layhid2 3.808019964
84. 专业知识.to.1layhid2 -0.058867076
85. 沟通技能得分.to.1layhid2 -0.036766001
86. Intercept.to.1layhid3 -0.996257068
87. 专业知识.to.1layhid3 1.787090472
88. 沟通技能得分.to.1layhid3 1.809864672
89. Intercept.to.成绩 4.084755522
90. 1layhid1.to.成绩 -3.807969087
91. 1layhid2.to.成绩 -11.531321534
92. 1layhid3.to.成绩 3.691783805

绘制神经网络
让我们绘制您的神经网络模型 。

1. # 绘图神经网络
2. plot(nn)

文章图片

创建测试数据集
创建测试数据集：专业知识得分和沟通技能得分

1. # 创建测试集
2. test=data.frame(专业知识,沟通技能得分)

预测测试集的结果
使用计算函数预测测试数据的概率得分 。

1. ## 使用神经网络进行预测
2. Pred$result
3. 0.9928202080
4. 0.3335543925
5. 0.9775153014

现在 ， 将概率转换为二进制类 。

1. # 将概率转换为设置阈值0.5的二进制类别
2. pred <- ifelse(prob>0.5, 1, 0)
3. pred
4. 1
5. 0
6. 1

预测结果为1,0和1 。
利弊
神经网络更灵活 ， 可以用于回归和分类问题 。 神经网络非常适合具有大量输入（例如图像）的非线性数据集 ， 可以使用任意数量的输入和层 ， 可以并行执行工作 。
还有更多可供选择的算法 ， 例如SVM ， 决策树和回归算法 ， 这些算法简单 ， 快速 ， 易于训练并提供更好的性能 。 神经网络更多的是黑盒子 ， 需要更多的开发时间和更多的计算能力 。 与其他机器学习算法相比 ， 神经网络需要更多的数据 。 NN仅可用于数字输入和非缺失值数据集 。 一位著名的神经网络研究人员说： “神经网络是解决任何问题的第二好的方法 。 最好的方法是真正理解问题 。 ”
神经网络的用途
神经网络的特性提供了许多应用方面 ， 例如：

• 模式识别： 神经网络非常适合模式识别问题 ， 例如面部识别 ， 物体检测 ， 指纹识别等 。
• 异常检测： 神经网络擅长异常检测 ， 它们可以轻松检测出不适合常规模式的异常模式 。
• 时间序列预测： 神经网络可用于预测时间序列问题 ， 例如股票价格 ， 天气预报 。
• 自然语言处理： 神经网络在自然语言处理任务中提供了广泛的应用 ， 例如文本分类 ， 命名实体识别（NER） ， 词性标记 ， 语音识别和拼写检查 。

文章图片

最受欢迎的见解
1.r语言用神经网络改进nelson-siegel模型拟合收益率曲线分析
2.r语言实现拟合神经网络预测和结果可视化
3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析
4.用于nlp的python：使用keras的多标签文本lstm神经网络分类
5.用r语言实现神经网络预测股票实例
6.R语言基于Keras的小数据集深度学习图像分类
7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译
8.python中基于网格搜索算法优化的深度学习模型分析糖
9.matlab使用贝叶斯优化的深度学习

推荐阅读

• 

  如何找寻自我
• 

  缝纫机调线器怎么安装平车 方法如何
• 

  强组词 强字组词
• 

  火笋鸡翅的做法（增肥食谱）
• 

  闺女生日快乐祝福语朋友圈
• 

  LV请来潮牌设计师做艺术总监，看中的是啥
• 

  老虎豆怎么做好吃 老虎豆图片怎样弄来吃
• 

  暖气有流水声是什么原因
• 

  皮球是什么体
• 

  手机怎样开通QQ空间
• 

  男生发mua说明 mua是什么意思
• 

  手指盖凹陷怎么回事
• 

  对自己的生活失去掌控咋调整
• 

  小米10s怎么没有月亮模式
• 

  我想找个偏僻的地方搞养殖！有没有推荐的地方？
• 

  南京养老金认证上门服务怎么申请 南京市养老金认证
• 

  如何评价猪场阉割猪？
• 

  最后一个字是豹的成语
• 

  泰山散酒怎么样
• 

  猫发情的声音(猫发情的叫声)

• 字符串|常用Excel函数知识学习篇1.0
• 函数|NeurIPS 2021 | 华为诺亚Oral论文：基于频域的二值神经网络训练方法
• 测试|普源DG5000系列函数/任意波形发生器功能解析
• 人物|把数学函数印在T恤上却被告侵权 这位程序员怒了
• 量子|科学家实现用量子系统 得到黎曼函数前80个零点
• 广告|拓端tecdat|移动广告中基于点击率的数据策略
• XTrain|拓端tecdat|matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
• 分析|拓端tecdat|R语言文本挖掘NASA数据网络分析，tf-idf和主题建模
• 模型|拓端tecdat|R语言多元逐步回归模型分析房价和葡萄酒价格：选择最合适预测变量
• 偏差|拓端tecdat|在Python和R中使用交叉验证方法提高模型性能