以下有8個描述混合物成分的特徵
read in data and examine structure讀入資料
concrete
str(concrete)
自己寫乙個函式將資料轉化為0-1之間
normalizeconfirm that the range is now between zero and one
summary(concrete_norm$strength)summary(concrete$strength)concrete_train
concrete_test
#install.packages('neuralnet')#如果沒有安裝記得安裝一下哦~
library(neuralnet)
單一隱藏節點的最簡單的多層前饋網路
set.seed(12345) # to guarantee repeatable results
concrete_model
ash + water + superplastic +
coarseagg + fineagg + age,
data = concrete_train)
網路拓撲結構視覺化
對於8個特徵中的每乙個特徵都有輸入節點，後面跟著乙個單一的隱藏節點和乙個單一的**混凝土的輸出節點。
偏差項（bias term）也被描繪出來（通過帶有數字1的節點表述）。
圖的底部，r報告了訓練的步數和誤差平方和（sse），較低的sse意味著更好的**效能
網路拓撲結構圖讓我們窺視了人工神經網路的黑箱，但是並沒有提供更多關於模型擬合未來資料好壞的訊息。
為了生成關於測試資料集的**值，進行如下操作：
obtain model results
model_results$neurons，用來儲存網路中每一層的神經元；
$net.result，用來儲存**值
obtain predicted strength values
predicted_strength計算**值與真實值之間的相關性
cor(predicted_strength, concrete_test$strength)考慮到只用了乙個隱藏點，因此我們模型的效能很可能可以提高。我們試著建立乙個更好的模型。
a more complex neural network topology with 5 hidden neurons
這裡我們將隱藏節點增加到5
從圖中我們可以發現sse已經從原先的5.08降到了1.63。此外，訓練步數也從4882增加到了86849，考慮到現在的模型已經變得多複雜，這也就不足為奇了。越複雜的神經網路需要越多的跌倒來找到最優的權重。
evaluate the results as we did before
model_results2
predicted_strength2
cor(predicted_strength2, concrete_test$strength)
歡迎指正哦~~~（需要資料私聊郵箱哦~）
R語言實現擬合神經網路 神經網路包
神經網路一直是迷人的機器學習模型之一，不僅因為花哨的反向傳播演算法，而且還因為它們的複雜性 考慮到許多隱藏層的深度學習 和受大腦啟發的結構。神經網路並不總是流行，部分原因是它們在某些情況下仍然存在計算成本高昂，部分原因是與支援向量機 svm 等簡單方法相比，它們似乎沒有產生更好的結果。然而，神經網路...
R語言實現 黑箱方法 支援向量機
read in data and examine structure 將輸入讀入到r中，確認接收到的資料具有16個特徵，這些特徵定義了每乙個字母的案例。支援向量機學習演算法要求所有特徵都是數值型的，並且每乙個特徵需要壓縮到乙個相當小的區間中。divide into training and test...
用R實現神經網路
神經網路是一種運算模型，由大量的節點 或神經元 和之間的相互連線構成，每個節點代表一種特定的輸出函式。每兩個節點間的連線都代表乙個對於通過該連線訊號的加權值，稱為權重，這相當於神經網路的記憶。神經網路分為倆類 分類和回歸 注意點1難解釋2會學習過度，需要恰當的使用嚴格衡量神經網路的方法，如測試集和交...