R语言－用神经网络构建混凝土强度分析模型

一、 数据分析
install.packages(“neuralnet”)
library(neuralnet)

#粗处理数据
concrete<-read.csv("/Users/wenfeng/Desktop/R&ML/机器学习和R语言/机器学习实验4 神经网络/concrete.csv")
str(concrete)

神经网络输入数据最好在0附近，但由上图可见数据在百千左右，我们需要将数据标准化。

normalize<-function(x){
return((x-min(x))/(max(x)-min(x)))
}
concrete_norm<-as.data.frame(lapply(concrete, normalize))
summary(concrete_norm$strength)summary(concrete$strength)

二、训练模型
#训练模型
concrete_train<-concrete_norm[1:773,]
concrete_test<-concrete_norm[774:1030,]
concrete_model<-neuralnet(strength~cement+slag+ash+water
+superplastic+coarseagg+fineagg+age,
data=concrete_train)
plot(concrete_model)

误差平方和为5.078，训练步数为8590

三、评估模型
#评估模型
model_results<-compute(concrete_model,concrete_test[1:8])
predicted_strength<-model_results$net.resultpredicte{d}_{s}trengthcor(predicte{d}_{s}trength,concret{e}_{t}est$strength)

预测的混凝土强度与实际的强度的相关性为0.8064
四、提高模型性能
1.设置隐藏层为4
#提高模型性能
concrete_model22<-neuralnet(strength~cement+slag+ash+water
+superplastic+coarseagg+fineagg+age,
data=concrete_train,hidden=4)
plot(concrete_model22)

model_results22<-compute(concrete_model2,concrete_test[1:8])
predicted_strength22<-model_results22KaTeX parse error: Expected 'EOF', got '#' at position 12: net.result #̲predicted_stren…strength)

隐藏层为4时，误差平方和为2.244，训练步数为8324.预测值与实际值的相关性为0.92。误差减少了，相关性变大了，效果更好。

2、设置隐藏层为5
concrete_model2<-neuralnet(strength~cement+slag+ash+water
+superplastic+coarseagg+fineagg+age,
data=concrete_train,hidden=5)
plot(concrete_model2)

model_results2<-compute(concrete_model2,concrete_test[1:8])
predicted_strength2<-model_results2KaTeX parse error: Expected 'EOF', got '#' at position 12: net.result #̲predicted_stren…strength)

隐藏层为5时，误差平方和为1.688，训练步数为10185，相关系数为0.92。相比隐藏层为4时，误差变小了，但相关性系数没有变化。

完整代码如下：

install.packages("neuralnet")
library(neuralnet)

#粗处理数据
concrete<-read.csv("/Users/wenfeng/Desktop/R&ML/机器学习和R语言/机器学习实验4 神经网络/concrete.csv")
str(concrete)

normalize<-function(x){
  return((x-min(x))/(max(x)-min(x)))
}
concrete_norm<-as.data.frame(lapply(concrete, normalize))
summary(concrete_norm$strength)
summary(concrete$strength)

#训练模型
concrete_train<-concrete_norm[1:773,]
concrete_test<-concrete_norm[774:1030,]
concrete_model<-neuralnet(strength~cement+slag+ash+water
                          +superplastic+coarseagg+fineagg+age,
                          data=concrete_train)
plot(concrete_model)

#评估模型
model_results<-compute(concrete_model,concrete_test[1:8])
predicted_strength<-model_results$net.result
predicted_strength
cor(predicted_strength,concrete_test$strength)

#提高模型性能
concrete_model22<-neuralnet(strength~cement+slag+ash+water
                            +superplastic+coarseagg+fineagg+age,
                            data=concrete_train,hidden=4)
plot(concrete_model22)

model_results22<-compute(concrete_model2,concrete_test[1:8])
predicted_strength22<-model_results22$net.result
#predicted_strength2
cor(predicted_strength22,concrete_test$strength)


concrete_model2<-neuralnet(strength~cement+slag+ash+water
                          +superplastic+coarseagg+fineagg+age,
                          data=concrete_train,hidden=5)
plot(concrete_model2)

model_results2<-compute(concrete_model2,concrete_test[1:8])
predicted_strength2<-model_results2$net.result
#predicted_strength2
cor(predicted_strength2,concrete_test$strength)