R语言利用nnet包训练神经网络模型

说明

R语言提供了另外一个能够处理人工神经网络的算法包nnet，该算法提供了传统的前馈反向传播神经网络算法的实现。

操作

安装包与数据分类：

library(nnet) data("iris") set.seed(2) ind = sample(2,nrow(iris),replace = TRUE,prob = c(0.7,0.3)) trainset = iris[ind == 1,] testset = iris[ind == 2,]

使用nnet包训练神经网络：

iris.nn = nnet(Species ~ .,data = trainset,size = 2,rang = 0.1,decay = 5e-4,maxit = 200) # weights: 19 initial value 114.539765 iter 10 value 52.100312 iter 20 value 50.231442 iter 30 value 49.526599 iter 40 value 49.402229 iter 50 value 44.680338 iter 60 value 5.254389 iter 70 value 2.836695 iter 80 value 2.744315 iter 90 value 2.687069 iter 100 value 2.621556 iter 110 value 2.589096 iter 120 value 2.410539 iter 130 value 2.096461 iter 140 value 1.938717 iter 150 value 1.857105 iter 160 value 1.825393 iter 170 value 1.817409 iter 180 value 1.815591 iter 190 value 1.815030 iter 200 value 1.814746 final value 1.814746 stoppedafter 200 iterations

调用summary( )输出训练好的神经网络：

summary(iris.nn) a 4-2-3 network with 19 weights options were - softmax modelling decay=5e-04 b->h1 i1->h1 i2->h1 i3->h1 i4->h1 -20.60 0.31 -3.84 3.36 7.72 b->h2 i1->h2 i2->h2 i3->h2 i4->h2 -7.15 1.50 2.49 -4.14 5.59 b->o1 h1->o1 h2->o1 -7.28 -3.67 13.16 b->o2 h1->o2 h2->o2 15.90 -16.64 -19.40 b->o3 h1->o3 h2->o3 -8.62 20.31 6.24

在应用函数时可以实现分类观测，数据源，隐蔽单元个数（size参数），初始随机数权值（rang参数），权值衰减参数（decay参数），最大迭代次数（maxit），整个过程会一直重复直至拟合准则值与衰减项收敛。

使用模型iris.nn模型完成对测试数据集的预测

iris.predict = predict(iris.nn,testset,type = "class") nn.table = table(testset$Species,iris.predict) nn.table iris.predict setosa versicolor virginica setosa 17 0 0 versicolor 0 13 1 virginica 0 2 13

基于分类表得到混淆矩阵

confusionMatrix(nn.table) Confusion Matrix and Statistics iris.predict setosa versicolor virginica setosa 17 0 0 versicolor 0 13 1 virginica 0 2 13 Overall Statistics Accuracy : 0.9348 95% CI : (0.821, 0.9863) No Information Rate : 0.3696 P-Value [Acc > NIR] : 1.019e-15 Kappa : 0.9019 Mcnemar's Test P-Value : NA Statistics by Class: Class: setosa Class: versicolor Class: virginica Sensitivity 1.0000 0.8667 0.9286 Specificity 1.0000 0.9677 0.9375 Pos Pred Value 1.0000 0.9286 0.8667 Neg Pred Value 1.0000 0.9375 0.9677 Prevalence 0.3696 0.3261 0.3043 Detection Rate 0.3696 0.2826 0.2826 Detection Prevalence 0.3696 0.3043 0.3261 Balanced Accuracy 1.0000 0.9172 0.9330

在调用predict函数时，我们明确了type参数为class,因此输出的是预测的类标号而非概率矩阵。接下来调用table函数根据预测结果和testset的实际类标号生成分类表，最后利用建立的分类表使用table函数根据caret中的confusionMatrix方法对训练好的神经网络预测性能评估。