R 神经网络包 - net.result 显示什么？答案

【问题标题】：R Neural Network Package - what does net.result show?R 神经网络包 - net.result 显示什么？
【发布时间】：2023-03-18 02:19:01
【问题描述】：

使用以下代码我构建了一个神经网络模型来预测收盘价：

library(neuralnet)
myformula <- close ~ High+Low+Open 
nn_close <- neuralnet(myformula,data=train_,hidden=c(5,3),linear.output=T)
nn_close$net.result[[1]]

有人可以向我解释nn_close$net.result[[1]] 行的作用吗？我已经检查了CRAN documentation，但这对我来说仍然不清楚。

【问题讨论】：

标签： r machine-learning statistics neural-network

【解决方案1】：

通过一个例子你会更好地理解这一点（我稍微修改了一下，但我从here得到它）：

itrain <- iris[sample(1:150, 50),]

itrain$setosa <- c(itrain$Species == 'setosa')

itrain$versicolor <- c(itrain$Species == 'versicolor')

itrain$virginica <- c(itrain$Species == 'virginica')

itrain$Species <- NULL

inet <- neuralnet(setosa + versicolor + virginica ~ Sepal.Length + Sepal.Width + 
                  Petal.Length + Petal.Width, itrain, hidden=3, lifesign="full")

#make a prediction on the training set and then compare to 
#inet$net.result[[1]]
predict <- compute(inet, itrain[1:4])

现在看看结果：

head(predict$net.result)
#                [,1]            [,2]            [,3]
#80   0.0167232688257  0.995316738272 -0.011840391533
#112 -0.0008289388986 -0.006814451178  1.007637170495
#17   1.0028534166840  0.004240124926 -0.007115290101
#104 -0.0002256650283 -0.031771967776  1.031855488316
#149  0.0019424886784  0.007205356060  0.990892583485
#82  -0.0061699713404  0.957656929739  0.048564910023
head(inet$net.result[[1]])
#                [,1]            [,2]            [,3]
#80   0.0167232688257  0.995316738272 -0.011840391533
#112 -0.0008289388986 -0.006814451178  1.007637170495
#17   1.0028534166840  0.004240124926 -0.007115290101
#104 -0.0002256650283 -0.031771967776  1.031855488316
#149  0.0019424886784  0.007205356060  0.990892583485
#82  -0.0061699713404  0.957656929739  0.048564910023

我使用compute 使用神经网络模型对训练集进行预测。

如您所见，inet$net.result[[1]] 和 predict$net.result 是相同的。因此，inet$net.result[[1]] 只是对您用于训练模型的数据集的预测（它与 lm 模型的 fit.values 相同）。

根据@sebastianmm 的真正有用的评论，net.result 是一个列表是有原因的。基本上，neuralnet 有一个参数rep，它可以在一次调用中训练多个模型。当rep 大于 1 时，net.result 将大于 1（其他组件（weights、result.matrix、start.weights）也是如此）。

【讨论】：

非常感谢。奇怪的是 inet$net.result[[1]] 的结果是一个包含 1 个元素的列表。这是否表明在某些情况下可能有超过 1 个结果集，例如 inet$net.result[[2]]？
非常欢迎您@edb500。老实说，我从未使用过inet$net.result[[2]] 或任何其他元素，所以我不确定。
@LyzanderR neuralnet 有一个参数rep，这使得一次调用训练多个模型成为可能。当rep 大于 1 时，net.result 将大于 1（其他组件（weights、result.matrix、start.weights）也是如此）。
谢谢@sebastianmm。这真的很有用。正如 OP 所怀疑的那样，net.result 的设计是有原因的。我会将其添加到答案中。非常感谢！

【解决方案2】：

compute()$net.result 的结果仅包含一个级别，这给出了每个样本成为给定物种的概率（在本例中）。换句话说，行的总和（大致）等于 1。在以下示例中，我使用此信息来预测数据验证子集中的物种，并使用 @987654322 将它们与它们的真实值进行比较@：

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

# adapted iris
data(iris)
iris2 <- iris
iris2$setosa <- c(iris2$Species == 'setosa')
iris2$versicolor <- c(iris2$Species == 'versicolor')
iris2$virginica <- c(iris2$Species == 'virginica')
# iris2$Species <- NULL

# training and validation subsets
train.samples <- sample(nrow(iris), nrow(iris)*0.5)
train <- iris2[train.samples,]
valid <- iris2[-train.samples,]

# fit model
inet <- neuralnet(setosa + versicolor + virginica ~ Sepal.Length + Sepal.Width + 
  Petal.Length + Petal.Width, train, hidden=3, lifesign="full")

# prediction 
pred <- compute(inet, valid[,1:4])
head(pred$net.result) # only one level (probability of each category)
predspp <- factor(c("setosa" , "versicolor", "virginica"))[apply(pred$net.result, MARGIN=1, FUN=which.max)]
table(predspp, valid$Species)
# predspp      setosa versicolor virginica
#   setosa         19          0         0
#   versicolor      0         24         4
#   virginica       0          2        26

在我的例子中，所有 setosa 样本都被正确预测。 versicolor 和 virginica 分别有 2 个和 4 个错误预测。一般来说，92% 的验证样本 (69/75 * 100) 的预测是正确的。

【讨论】：