基于R语言的神经网络

R语言中几种可用于神经网络的包的使用

• nnet包

nnet提供了最常见的前馈反向传播神经网络算法

nnet只有一层隐藏层，是基于BP神经网络的一种算法

library(nnet)
#训练集序号
trIn=c(sample(1:50,40),sample(51:100,40),sample(101:150,40))
traindata=iris[trIn,]
testdata=iris[-trIn,]
#类别预处理，这一步是nnet()函数特别要求的
ide=class.ind(iris$Species)
#构建网络，训练模型，nnet前两个参数构成训练集，size表示中间层神经元个数
net=nnet(traindata[,-5],ide[trIn,],size = 3,softmax = TRUE)
#预测
tex=predict(net,testdata[,-5],type = "class")
#混淆矩阵
my.da=table(real=testdata$Species,predict=tex)

• AMORE

AMORE包则更进一步提供了更为丰富的控制参数，并可以增加多个隐藏层。

自己写的，只是阐明用法，应该需要归一化处理，这里没有做。

library(AMORE)
#训练集序号
trIn=c(sample(1