【R的机器学习】模型性能提升探索：神经网络

网上有很多介绍神经网络原理的文章，本质上机器学习就是一个分类器；而神经网络是一个模拟神经元学习的高级分类器，当然，神经网络也是个黑箱模型。本章使用神经网络对之前的iris数据集再次进行预测。

在学习神经网络的时候，常常在回想人类的学习过程；这是个比较有思辨意义的过程。人类从出生的时候，往往就是一张白纸，可以理解成什么都不懂。然后在小时候受到周围环境的影响和教育，比如父母告诉孩子，水如果冒烟了（沸腾），就很热，不要碰。小孩子听到这句话的第一反应就是，哦，我总结了一个规律，冒烟的透明液体=很热。这个就是一个简单的通过已有的知识进行学习的过程，学习出来一套规律，用于预测未来；但是有一天这个孩子看到了液氮，同样是冒烟，但是却很凉，这个对于一个小孩子来说可能有些超出他的认知，他觉得之前看到的规律不在适用，所以需要修正他的认知，这个过程其实就是一个知识迭代，不断用新环境去总结规律；到这了，小孩子知总结了一个规律：只要超过了物质的沸点，就会强烈挥发。这个结合另一条规律：液体的沸点一般都很高，得出之前的结论：冒烟的透明液体≈很热；虽然这个结论大部分时间是对的，但是由于掌握更深层次的规律，可以去预测有不同引入参数的情况。

多说一点，很多时候在争论的先天后天的问题，其实不可否认的是，环境对一个人的塑造和影响是巨大的，一个人从出生下来，接触的环境的丰富程度决定了他的输出，类比到机器学习，如果两个同样算法，一个输入1万条数据训练，一个输入1亿条数据训练，那么可能两个算法的精确度有天壤之别，简单来说，这就是一个马太效应，一个更好的算法（阶级更高的人）有更高的准确度，从而可以有更多测试训练学习的机会（更丰富的教育资源），反过来不断的迭代自己（不断的成长），最后行程最优质的算法（更高的阶级）。

扯得稍微有点远，神经网络就是一个模拟人类学习的算法。对刚才的例子进行扩展，比如我们有五种物质，水、油、干冰、液氮、木头，分别看到他们冒烟的时候的冷热程度。

首先看一个0层的神经网络，也就是不分层，如果不分层可以简单认为是记忆，无法进行预测，当然如果强行来说