首页 / 神经网络 / 【R】神经网络相关的R包
【R】神经网络相关的R包
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了【R】神经网络相关的R包，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1784字，纯文字阅读大概需要3分钟。
内容图文
本科毕业设计涉及用机器学习的方法训练预测模型，线性回归、SVM、RF等方法表现均不理想，于是需要用简单的神经网络方法做对比实验。在对NN的优化没有深入理解的情况下，直接调用了R包提供的接口，在此略作记录，供以后反思改进。
主要用到了nnet、neuralnet、h2o这几个包，具体的建模、预测、优化的方法在手册中均能查到。nnet、neuralnet提供的都是单隐藏层的简单神经网络，h2o提供了DNN的方法。
1
library(nnet)
2 data<-read.csv("tomcat_done_1.csv",header=T)
3 4 total_size <-363
5 test_size <- 90
6 7 train=sample(1:dim(data)[1],total_size-test_size)
8 9 train_set<- data[train,]
1011 test<-data[-train,1:35]
1213 test_effort<- data[-train,36]
1415 count <-0
161718 m<-nnet(Effort~.,train_set,size=9,decay=0.015,maxit=10,linout=T,trace=F,MaxNWts=8000)
1920 preds <- predict(m,test)
1
library(neuralnet)
2 data<-read.csv("tomcat_done_2.csv",header=T)
3 4 total_size <-363
5 test_size <- 90
6 7 train=sample(1:dim(data)[1],total_size-test_size)
8 9 train_set<- data[train,]
1011 test<-data[-train,1:35]
1213 test_effort<- data[-train,36]
1415 count <-0
161718 m<-neuralnet(Effort~CountDeclClass+CountDeclClassMethod+CountDeclClassVariable
19 +CountDeclFunction+CountDeclInstanceMethod+CountDeclInstanceVariable
20 +CountDeclMethod+CountDeclMethodDefault+CountDeclMethodPrivate
21 +CountDeclMethodProtected+CountDeclMethodPublic+CountLine
22 +CountLineBlank+CountLineCode+CountLineCodeDecl+CountLineCodeExe
23 +CountLineComment+CountSemicolon+CountStmt+CountStmtDecl+CountStmtExe
24 +SumCyclomatic+SumCyclomaticModified+SumCyclomaticStrict+SumEssential
25 +MaxCyclomatic+MaxCyclomaticModified+MaxCyclomaticStrict+MaxEssential
26 +MaxNesting+AvgCyclomatic+AvgCyclomaticModified+AvgCyclomaticStrict
27 +AvgEssential+RatioCommentToCode,data = train_set,hidden = 2)
28293031 preds <- compute(m,test)
数据需要按照模型的格式要求进行预处理再输入，例如某些包要求label信息映射到[0,1]。多看手册以及原始论文了解优化方法，切记！
原文：http://www.cnblogs.com/csxyc/p/5627097.html
内容总结
以上是互联网集市为您收集整理的【R】神经网络相关的R包全部内容，希望文章能够帮你解决【R】神经网络相关的R包所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。