【R的机器学习】模型性能提升探索：R的其他神经网络包-neuralnet

上一节简单说明了神经网络，这里对R中进行神经网络算法的其他函数做下具体说明。

之前说到RSNNS包的神经网络，但是这个函数比较复杂，这里介绍下neuralnet包的神经网络。

这个包中的神经网络建模有个缺陷，只能对数值型的变量进行回归。也就是默认是无法进行分类变量的建模的，比如我们的iris数据集：

head(iris)
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

最后一列：Species分成了三类，如果是一个，比如花期，然后这一列都是数值型变量，可以直接应用neuralnet，可是这里是因子型，需要手工进行转换成哑变量，或者简单理解，就是从分类数据新建几个列，按照T/F的形式进行结果储存。

这里需要用到一个哑变量转化的函数，这个函数在另一个神经网络包里（囧），首先载入两个包：

library(neuralnet)
library(nnet)

nnet里面的class.ind函数就是转化变量的工具，转化前：

head(iris_train$Species)
[1] versicolor setosa     setosa     versicolor setosa    
[6] virginica 
Levels: setosa versicolor virginica

转化后：

new<-class.ind(as.factor(iris_train$Species))
 head(new)
     setosa versic