全文链接：http://tecdat.cn/?p=19936
最近咱们被客户要求撰写对于人工神经网络ANN的钻研报告，包含一些图形和统计输入。
在本教程中，您将学习如何在R中创立神经网络模型
这里思考人工神经网络具备一个暗藏层，两个输出和输入。
输出为 x1 和 x2。
两个权重乘以各自的权重 w1 和 w2。
而后将偏差增加到总和中，并将其称为 z1。
z1 = x1 w1 + x2 w2 +b1
而后利用sigmoid的公式。
暗藏层的输入将成为其右侧下一层的输出。这等于
sigmoid激活函数的公式和图形
暗藏层的第二个节点也以这种形式运行。
x1 和 x2 输出对于 H1 和 H2 将具备雷同的值。然而，H1和H2的权重可能不同，也可能雷同。而且，偏差也能够不同，即b1和b2能够不同。
乘以各自的权重w3 和w4。而后将偏差增加到总和中，并将其称为z2。
而后利用sigmoid的公式。此层的输入将是
而后，咱们转到下一层。
（输入来自 H1。咱们称之为 z1。输入来自 H2，咱们称之为 z2。它们进入O1。权重像以前一样乘以相应的输出。
并且，咱们抉择sigmoid激活函数。因而，O1 的输入为
这里，y1 = z1 W5 + z2 W6 + B1
同样，对于O2 的输入，咱们再次思考sigmoid激活函数。
咱们将此过程称为前向流传，因为咱们总是从左到右。咱们从不倒退。
R语言剖析学生问题数据案例
神经网络（或人工神经网络）具备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零碎启发的信息处理模型。它由大量高度互连的解决元件（称为神经元）组成，以解决问题。它遵循非线性门路，并在整个节点中并行处理信息。神经网络是一个简单的自适应零碎。自适应意味着它能够通过调整输出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，例如辨认猫和狗的图片，辨认编号的图片。这些问题通常称为模式识别。它的利用范畴从光学字符识别到指标检测。
本教程将涵盖以下主题：
- 神经网络概论
- 正向流传和反向流传
- 激活函数
- R中神经网络的实现
- 案例
- 利弊
- 论断
神经网络概论
神经网络是受人脑启发执行特定工作的算法。它是一组连贯的输出/输入单元，其中每个连贯都具备与之关联的权重。在学习阶段，网络通过调整权重进行学习，来预测给定输出的正确类别标签。
人脑由数十亿个解决信息的神经细胞组成。每个神经细胞都认为是一个简略的解决零碎。被称为生物神经网络的神经元通过电信号传输信息。这种并行的交互零碎使大脑可能思考和解决信息。一个神经元的树突接管来自另一个神经元的输出信号，并依据这些输出将输入响应到某个其余神经元的轴突。
树突接管来自其余神经元的信号。单元体将所有输出信号求和以生成输入。当总和达到阈值时通过轴突输入。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。
x1，x2 …. xn是输出变量。w1，w2 …. wn是各个输出的权重。b是偏差，将其与加权输出相加即可造成输出。偏差和权重都是神经元的可调整参数。应用一些学习规定来调整参数。神经元的输入范畴能够从-inf到+ inf。神经元不晓得边界。因而，咱们须要神经元的输出和输入之间的映射机制。将输出映射到输入的这种机制称为激活函数。
前馈和反馈人工神经网络
人工神经网络次要有两种类型：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，并且它们不造成循环。在前馈中，信号仅在一个方向上流向输入层。
反馈神经网络蕴含循环。通过在网络中引入环路，信号能够双向流传。反馈周期会导致网络行为依据其输出随工夫变动。反馈神经网络也称为递归神经网络。
激活函数
激活函数定义神经元的输入。激活函数使神经网络具备非线性和可表白性。有许多激活函数：
- 辨认函数 通过激活函数 Identity，节点的输出等于输入。它完满拟合于潜在行为是线性（与线性回归类似）的工作。当存在非线性，独自应用该激活函数是不够的，但它仍然能够在最终输入节点上作为激活函数用于回归工作。。
- 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），则输入为True（或已激活），如果小于阈值，则输入为false（或未激活）。这在分类器中十分有用。
- S形函数 称为S形函数。逻辑和双曲正切函数是罕用的S型函数。有两种：
- Sigmoid函数 是一种逻辑函数，其中输入值为二进制或从0到1变动。
- tanh函数 是一种逻辑函数，其输入值在-1到1之间变动。也称为双曲正切函数或tanh。
- ReLU函数又称为修改线性单元（Rectified Linear Unit），是一种分段线性函数，其补救了sigmoid函数以及tanh函数的梯度隐没问题。它是最罕用的激活函数。对于x的负值，它输入0。
在R中实现神经网络
创立训练数据集
咱们创立数据集。在这里，您须要数据中的两种属性或列：特色和标签。在下面显示的表格中，您能够查看学生的专业知识，沟通技能得分和学生问题。因而，前两列（专业知识得分和沟通技能得分）是特色，第三列（学生问题）是二进制标签。
#创立训练数据集
# 在这里，把多个列或特色组合成一组数据
test=data.frame(专业知识,沟通技能得分)让咱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色的参数集，数据集，暗藏层中神经元的数量以及误差计算来创立神经网络分类器模型。
``````
# 拟合神经网络
nn(问题~专业知识+沟通技能得分, hidden=3,act.fct = "logistic",
linear.output = FALSE)这里失去模型的因变量、自变量、损失_函数、_激活函数、权重、后果矩阵（蕴含达到的阈值，误差，AIC和BIC以及每次反复的权重的矩阵）等信息：
$model.list
$model.list$response
[1] "问题"
$model.list$variables
[1] "专业知识" "沟通技能得分"
$err.fct
function (x, y)
{
1/2 * (y - x)^2
}
$act.fct
function (x)
{
1/(1 + exp(-x))
}
$net.result
$net.result[[1]]
[,1]
[1,] 0.980052980
[2,] 0.001292503
[3,] 0.032268860
[4,] 0.032437961
[5,] 0.963346989
[6,] 0.977629865
$weights
$weights[[1]]
$weights[[1]][[1]]
[,1] [,2] [,3]
[1,] 3.0583343 3.80801996 -0.9962571
[2,] 1.2436662 -0.05886708 1.7870905
[3,] -0.5240347 -0.03676600 1.8098647
$weights[[1]][[2]]
[,1]
[1,] 4.084756
[2,] -3.807969
[3,] -11.531322
[4,] 3.691784
$generalized.weights
$generalized.weights[[1]]
[,1] [,2]
[1,] 0.15159066 0.09467744
[2,] 0.01719274 0.04320642
[3,] 0.15657354 0.09778953
[4,] -0.46017408 0.34621212
[5,] 0.03868753 0.02416267
[6,] -0.54248384 0.37453006
$startweights
$startweights[[1]]
$startweights[[1]][[1]]
[,1] [,2] [,3]
[1,] 0.1013318 -1.11757311 -0.9962571
[2,] 0.8583704 -0.15529112 1.7870905
[3,] -0.8789741 0.05536849 1.8098647
$startweights[[1]][[2]]
[,1]
[1,] -0.1283200
[2,] -1.0932526
[3,] -1.0077311
[4,] -0.5212917
$result.matrix
[,1]
error 0.002168460
reached.threshold 0.007872764
steps 145.000000000
Intercept.to.1layhid1 3.058334288
专业知识.to.1layhid1 1.243666180
沟通技能得分.to.1layhid1 -0.524034687
Intercept.to.1layhid2 3.808019964
专业知识.to.1layhid2 -0.058867076
沟通技能得分.to.1layhid2 -0.036766001
Intercept.to.1layhid3 -0.996257068
专业知识.to.1layhid3 1.787090472
沟通技能得分.to.1layhid3 1.809864672
Intercept.to.问题 4.084755522
1layhid1.to.问题 -3.807969087
1layhid2.to.问题 -11.531321534
1layhid3.to.问题 3.691783805绘制神经网络
让咱们绘制您的神经网络模型。
# 绘图神经网络
plot(nn)点击题目查阅往期内容
R语言实现CNN（卷积神经网络）模型进行回归数据分析
左右滑动查看更多
01
02
03
04
创立测试数据集
创立测试数据集：专业知识得分和沟通技能得分
# 创立测试集
test=data.frame(专业知识,沟通技能得分)预测测试集的后果
应用计算函数预测测试数据的概率得分。
## 应用神经网络进行预测
Pred$result0.9928202080
0.3335543925
0.9775153014当初，将概率转换为二进制类。
# 将概率转换为设置阈值0.5的二进制类别
pred <- ifelse(prob>0.5, 1, 0)
pred1
0
1预测后果为1,0和1。
利弊
神经网络更灵便，能够用于回归和分类问题。神经网络非常适合具备大量输出（例如图像）的非线性数据集，能够应用任意数量的输出和层，能够并行执行工作。
还有更多可供选择的算法，例如SVM，决策树和回归算法，这些算法简略，疾速，易于训练并提供更好的性能。神经网络更多的是黑盒子，须要更多的开发工夫和更多的计算能力。与其余机器学习算法相比，神经网络须要更多的数据。NN仅可用于数字输出和非缺失值数据集。一位驰名的神经网络钻研人员说： “神经网络是解决任何问题的第二好的办法。最好的办法是真正了解问题。”
神经网络的用处
神经网络的个性提供了许多利用方面，例如：
- 模式识别： 神经网络非常适合模式识别问题，例如面部辨认，物体检测，指纹识别等。
- 异样检测： 神经网络善于异样检测，它们能够轻松检测出不适宜惯例模式的异样模式。
- 工夫序列预测： 神经网络可用于预测工夫序列问题，例如股票价格，天气预报。
- 自然语言解决： 神经网络在自然语言解决工作中提供了宽泛的利用，例如文本分类，命名实体辨认（NER），词性标记，语音辨认和拼写查看。
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《人工神经网络ANN中的前向流传和R语言剖析学生问题数据案例》。
点击题目查阅往期内容
matlab应用长短期记忆（LSTM）神经网络对序列数据进行分类
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格工夫序列和MSE评估准确性
数据分享|PYTHON用KERAS的LSTM神经网络进行工夫序列预测天然气价格例子
Python对商店数据进行lstm和xgboost销售量工夫序列建模预测剖析
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现工夫序列长期利率预测
联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析
深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户散失模型
PYTHON用LSTM长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化
Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测工夫序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类辨认手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户散失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS应用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python应用神经网络进行简略文本分类
R语言用神经网络改良Nelson-Siegel模型拟合收益率曲线剖析
R语言基于递归神经网络RNN的温度工夫序列预测
R语言神经网络模型预测车辆数量工夫序列
R语言中的BP神经网络模型剖析学生问题
matlab应用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和后果可视化
用R语言实现神经网络预测股票实例
应用PYTHON中KERAS的LSTM递归神经网络进行工夫序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类
发表回复