首页 > 操作系统 >

R语言运用nnet包训练神经网络建模

电脑杂谈　发布时间：2019-12-16 20:05:52　来源：网络整理

r语言sample函数_r语言_r语言nnet

（其中深度学习就是其中的一类算法，我们会单独讨论），重要的人工神经网络算法包含：感知器神经网络（perceptronneuralnetwork）,反向传递（backpropagation），hopfield网络，自组织映射（self-organizingmap,som）五、网络传播（一）互联网（因特网）之前的新闻传媒科技1．新闻传媒技术概述：概念、特征、发展阶段、3i内涵、3c技术2.报业新闻综合业务处理系统：概念、组成、功能应用及其网络环境3．广播电视科技以及数字化4．新闻通讯科技及应用：电报、电话、通信网,通信新业务、通信新网路（二）互联网（因特网）传播科技与第四媒体1．多媒体电脑与多媒体电脑网路：概念、特征、发展、应用、影响2．第四媒体（因特网）：因特网传播（网路传播）、多觉得、信息冗余、超媒体、超文本，第四媒体（因特网）的传播类型以及特征（三）网络传播的媒介分析1．网络媒介与传统媒介的非常：媒介性质、媒介特征、传播特性、媒介功能2．网络媒介对传统媒介的妨碍：对传统媒介的挑战、共存、双赢战略3．网络媒介的文化探讨：媒介与文化、网络文化空间、网络空间文化的特点（四）网络传播的受众分析1．网民：概念、特征、结构2．网民行为：行为模式、行为特性、网民语言（五）网络传播的效果分析1．网络传播效果分析的特殊含义2．网络传播过程效果分析3．网络传播社会效果分析4．网络传播对传统效果理论的升级（六）网络新闻传播1．网络新闻传播的概念及特征2．传统新闻媒体的网上新闻传播3．商业性icp网站的网路新闻传播（七）网络传播伦理与法治1．因特网背景下的伦理问题与问题2．网络传播道德完善及法治建设六、广告实务（一）广告策划报告广告策划报告的主要构成r语言nnet，主要包含行业分析、广告策略、广告计划、效果评估等成功编排的经验(石老师修订)五、网络传播第一章互联网发展状况及形势第一节国内互联网发展简史一、20世纪60-70年代arpanet的发展二、20世纪80年代nsfnet的转型三、20世纪90年代万维网的出没有保障五、网站的安全性差第三节提升网站运营的方式一、做好内容管理二、注重客户体验三、做好数据收集与统计四、广告运营与管理五、网站运营中的安全管理第九章网络管理与全球特色第一节我国互联网管理主要机构以及职能一、我国互联网管理主要机构二、我国互联网主要管理机构的职责第二节我国政府互联网管理阶段与评价一、我国互联网管理阶段二、我国互联网管理效果以及分析第三节我国互联网管理体系以及特性一、政府主导型管理体系二、我国互联网管理的基本特点第四节我国互联网管理的目标与模式一、中国传统网络管控的目标二、中国传统的网络管控方法三、中国传统网络管控措施的模式第五节全球特色网络管理体制的建立第十章网络传播研究前沿理论与技巧第一节网络对传统传播理论的冲击一、网络对传统把关理论的冲击二、网络对传统议程修改的冲击三、网络对传统传播方式的冲击第二节网络传播研究前沿理论一、网络中立二、数字鸿沟三、媒介融合四、复杂网络第三节网络传播研究方式前沿一、社会网络预测法二、网络数据挖掘三、网络田野考察六、广告实务（一）广告与公共关系策划报告广告与品牌策划报告的主要组成，主要包含行业分析、广告策略、广告计划、效果评估等

安装包与数据分类：

r语言_r语言nnet_r语言sample函数

library(nnet) data("iris") set.seed(2) ind = sample(2,nrow(iris),replace = TRUE,prob = c(0.7,0.3)) trainset = iris[ind == 1,] testset = iris[ind == 2,]

使用nnet包训练神经网络：

r语言nnet_r语言_r语言sample函数

iris.nn = nnet(Species ~ .,data = trainset,size = 2,rang = 0.1,decay = 5e-4,maxit = 200)
# weights: 19
initial  value 114.539765 
iter  10 value 52.100312
iter  20 value 50.231442
iter  30 value 49.526599
iter  40 value 49.402229
iter  50 value 44.680338
iter  60 value 5.254389
iter  70 value 2.836695
iter  80 value 2.744315
iter  90 value 2.687069
iter 100 value 2.621556
iter 110 value 2.589096
iter 120 value 2.410539
iter 130 value 2.096461
iter 140 value 1.938717
iter 150 value 1.857105
iter 160 value 1.825393
iter 170 value 1.817409
iter 180 value 1.815591
iter 190 value 1.815030
iter 200 value 1.814746
final  value 1.814746 
stoppedafter 200 iterations

调用summary()输出训练好的神经网络：

r语言sample函数_r语言_r语言nnet

summary(iris.nn)
a 4-2-3 network with 19 weights
options were - softmax modelling  decay=5e-04
 b->h1 i1->h1 i2->h1 i3->h1 i4->h1 
-20.60   0.31  -3.84   3.36   7.72 
 b->h2 i1->h2 i2->h2 i3->h2 i4->h2 
 -7.15   1.50   2.49  -4.14   5.59 
 b->o1 h1->o1 h2->o1 
 -7.28  -3.67  13.16 
 b->o2 h1->o2 h2->o2 
 15.90 -16.64 -19.40 
 b->o3 h1->o3 h2->o3 
 -8.62  20.31   6.24

or函数判断参数是否为错误值1913应用iseven函数判断数值是否为奇数1924应用islogical函数判断参数是否为逻辑值1935应用isna函数判断错误值是否为#n/a1946应用isnontext函数判断参数是否为非数组串1957应用isnumber函数判断参数是否为数字1968应用isodd函数判断数值是否为偶数1979应用isref函数判断参数是否为引用19810应用istext函数第三步，全局图像是640*360，但局部图像只有10*10大小r语言nnet，10*10个参数只对于局部图像，如果全局图像中各个局部图像之间差值共享的话，即10*10个参数在不同局部图像上参数应用同样的话，则在全局图像上借助全局共享则只应该10*10个参数在顶视图创建一个泛光灯,名为flameomni01,强度倍增:5.rgb:255.225.168.衰减模式:平方反比.这样就将衰减效果显示出来了,并且衰减的起初为0.8(大约为火焰长度的一倍大小的位置).再勾选远衰减开始为0结束为30.高级特效参数栏中,可比度值为50.在整体参数栏中去把火焰对象添加进排除列表中去.(使用平方反比的衰减机制是期望取消灯光本身所具有的光线的明晰方向属性,这样使从火焰发出的光线无法非常真实.又由于使用了平方反比,所以明度会增加,因此还必须复制多个相似的下来并且光线增强.远衰减建议修改为0要不画面就过暴了)

r语言nnet_r语言sample函数_r语言

iris.predict = predict(iris.nn,testset,type = "class")
nn.table = table(testset$Species,iris.predict)
nn.table
            iris.predict
             setosa versicolor virginica
  setosa         17          0         0
  versicolor      0         13         1
  virginica       0          2        13

confusionMatrix(nn.table)
Confusion Matrix and Statistics
            iris.predict
             setosa versicolor virginica
  setosa         17          0         0
  versicolor      0         13         1
  virginica       0          2        13
Overall Statistics
               Accuracy : 0.9348         
                 95% CI : (0.821, 0.9863)
    No Information Rate : 0.3696         
    P-Value [Acc > NIR] : 1.019e-15      
                  Kappa : 0.9019         
 Mcnemar's Test P-Value : NA 
Statistics by Class:
                     Class: setosa Class: versicolor Class: virginica
Sensitivity                 1.0000            0.8667           0.9286
Specificity                 1.0000            0.9677           0.9375
Pos Pred Value              1.0000            0.9286           0.8667
Neg Pred Value              1.0000            0.9375           0.9677
Prevalence                  0.3696            0.3261           0.3043
Detection Rate              0.3696            0.2826           0.2826
Detection Prevalence        0.3696            0.3043           0.3261
Balanced Accuracy           1.0000            0.9172           0.9330

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-133815-1.html

相关阅读

发表评论　　请自觉遵守互联网相关的政策法规，严禁发布、暴力、反动的言论

崔潇涵

不然堂堂十四亿大国该何去何从

2026年03月26日回复顶转发

每日福利

热点图片

热点排行