原文链接: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 ( 点击文末“阅读原文”获取完整代码数据)。**
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。
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。
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。
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。
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。
#创建训练数据集 # 在这里,把多个列或特征组合成一组数据 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。 `````` # 拟合神经网络 nn(成绩~专业知识+沟通技能得分, hidden=3,act.fct = "logistic", linear.output = FALSE) 复制代码
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:
$model.list $model.list$response [1] "成绩" $model.list$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 $result.matrix [,1] error 0.002168460 reached.threshold 0.007872764 steps 145.000000000 Intercept.to.1layhid1 3.058334288 专业知识.to.1layhid1 1.243666180 沟通技能得分.to.1layhid1 -0.524034687 Intercept.to.1layhid2 3.808019964 专业知识.to.1layhid2 -0.058867076 沟通技能得分.to.1layhid2 -0.036766001 Intercept.to.1layhid3 -0.996257068 专业知识.to.1layhid3 1.787090472 沟通技能得分.to.1layhid3 1.809864672 Intercept.to.成绩 4.084755522 1layhid1.to.成绩 -3.807969087 1layhid2.to.成绩 -11.531321534 1layhid3.to.成绩 3.691783805 复制代码
绘制神经网络
让我们绘制您的神经网络模型。
# 绘图神经网络 plot(nn) 复制代码
点击标题查阅往期内容
左右滑动查看更多
01
02
03
04
创建测试数据集
创建测试数据集:专业知识得分和沟通技能得分
# 创建测试集 test=data.frame(专业知识,沟通技能得分) 复制代码
预测测试集的结果
使用计算函数预测测试数据的概率得分。
## 使用神经网络进行预测 Pred$result 复制代码
0.9928202080 0.3335543925 0.9775153014 复制代码
现在,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) pred 复制代码
1 0 1 复制代码
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。
点击标题查阅往期内容
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析 R语言中的神经网络预测时间序列: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时间序列数据 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卷积神经网络分类识别手写数字图像数据(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流失模型 R语言实现CNN(卷积神经网络)模型进行回归数据分析 SAS使用鸢尾花(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使用神经网络进行简单文本分类 R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析 R语言基于递归神经网络RNN的温度时间序列预测 R语言神经网络模型预测车辆数量时间序列 R语言中的BP神经网络模型分析学生成绩 matlab使用长短期记忆(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结果可视化 用R语言实现神经网络预测股票实例 使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测 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:使用Keras的多标签文本LSTM神经网络分类