标签：得分 函数 输出 神经网络 BP 成绩 输入 神经元

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。

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。

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。

1.    
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"
4.    
5.   $model.list$variables
6.   [1] "专业知识" "沟通技能得分"
7.    
8.    
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
28.    
29.    
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
37.    
38.   $weights[[1]][[2]]
39.   [,1]
40.   [1,] 4.084756
41.   [2,] -3.807969
42.   [3,] -11.531322
43.   [4,] 3.691784
44.    
45.    
46.    
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
56.    
57.    
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
65.    
66.   $startweights[[1]][[2]]
67.   [,1]
68.   [1,] -0.1283200
69.   [2,] -1.0932526
70.   [3,] -1.0077311
71.   [4,] -0.5212917
72.    
73.    
74.    
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)

 

 

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.    
3.   Pred$result

1.   0.9928202080
2.   0.3335543925
3.   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

 

1.   1
2.   0
3.   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。

 

---

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

   

标签：得分,函数,输出,神经网络,BP,成绩,输入,神经元
来源： https://www.cnblogs.com/tecdat/p/14397644.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。