神经网络
工作原理:模拟大脑神经元处理信息的方式
构成:大量简单的基本元件——神经元相互连接
功能:进行信息的并行处理和非线性转化
神经网络额互连模式
前向网络:
神经元分层排列,分别组成输入层、中间层和输出层。
特点:每层只接受前一层的信息,没有反馈。如:感知器网络。
有反馈的前向神经网络:
特点:输出层对输入层有反馈信息。如:认知机和回归BP网络。
层内有互相结合的前向网络:
特点:可以实现同一层内神经元之间的横向抑制或兴奋作用。
相互结合型网络:
特点:任意两个神经元之间都可能有联系。
nnet(x,y,size,softmax = FALSE,maxit = 100)
x:训练输入
y:训练输出
size:隐含层节点数
softmax:是否多类别判断
maxit:最大迭代次数
r代码:
工作原理:模拟大脑神经元处理信息的方式
构成:大量简单的基本元件——神经元相互连接
功能:进行信息的并行处理和非线性转化
神经网络额互连模式
前向网络:
神经元分层排列,分别组成输入层、中间层和输出层。
特点:每层只接受前一层的信息,没有反馈。如:感知器网络。
有反馈的前向神经网络:
特点:输出层对输入层有反馈信息。如:认知机和回归BP网络。
层内有互相结合的前向网络:
特点:可以实现同一层内神经元之间的横向抑制或兴奋作用。
相互结合型网络:
特点:任意两个神经元之间都可能有联系。
nnet(x,y,size,softmax = FALSE,maxit = 100)
x:训练输入
y:训练输出
size:隐含层节点数
softmax:是否多类别判断
maxit:最大迭代次数
r代码:
install.packages("nnet")
library(nnet)
#分层抽8成样本作为训练集
trIn <- c(sample(1:50,40), #训练集序号
sample(51:100,40),
sample(101:150,40))
traiD <- iris[trIn,] #训练集样本
textD <- iris[-trIn,] #测试集样本
ide <- class.ind(iris$Species )#类别预处理
#构建网络,模型训练
Net <- nnet(traiD[,-5],ide[trIn,],size = 5,softmax = TRUE)
#利用已构建好网络对测试集数据分类
tex <- predict(Net,textD[,-5],type = 'class')
#分类结果
my.da <- table(textD$Species,tex)