在 R 中使用包“神经网络”来预测 Weekly_Sales

Question

我对 R 完全陌生，我正在尝试通过使用 R 中的神经网络包训练神经网络来预测测试数据集的 Weekly_Sales。

我看过的数据（train1）：

  Store Dep  Date     Temperature  Fuel_Price MarkDown1 MarkDown2 MarkDown3  MarkDown4  MarkDown5   CPI         Unemployment   IsHoliday    Rank Weekly_Sales
   1    1   5/2/2010       42.31      2.572     -2000      -500      -100        -500      -700 211.0963582        8.106         0         13     24924.50
   1    1  12/2/2010       38.51      2.548     -2000      -500      -100        -500      -700 211.2421698        8.106         1         13     46039.49
   1    1 19/02/2010       39.93      2.514     -2000      -500      -100        -500      -700 211.2891429        8.106         0         13     41595.55
   1    1 26/02/2010       46.63      2.561     -2000      -500      -100        -500      -700 211.3196429        8.106         0         13     19403.54
   1    1   5/3/2010       46.50      2.625     -2000      -500      -100        -500      -700 211.3501429        8.106         0         13     21827.90
   1    1  12/3/2010       57.79      2.667     -2000      -500      -100        -500      -700 211.3501429        8.106         0         13     21827.90

数据分离

>ind<- sample(2,nrow(train1),replace= TRUE,prob=c(0.7,0.3))
>train <- train1[ind==1,]
>test <- train1 [ind==2,]

火车

>head(train)
Store Dept  Date    Temperature   Fuel_Price MarkDown1 MarkDown2 MarkDown3  MarkDown4 MarkDown5      CPI    Unemployment      IsHoliday    Rank  Weekly_Sales
 1    1   5/2/2010       42.31      2.572     -2000      -500      -100     -500      -700       211.0963582     8.106         0          13     24924.50
 1    1 26-02-2010       46.63      2.561     -2000      -500      -100     -500      -700       211.3196429     8.106         0          13     19403.54
 1    1   5/3/2010       46.50      2.625     -2000      -500      -100     -500      -700       211.3501429     8.106         0          13     21827.90
 1    1 19-03-2010       54.58      2.720     -2000      -500      -100     -500      -700       211.2156350     8.106         0          13     22136.64
 1    1 26-03-2010       51.45      2.732     -2000      -500      -100     -500      -700       211.0180424     8.106         0          13     26229.21
 1    1   2/4/2010       62.27      2.719     -2000      -500      -100     -500      -700       210.8204499     7.808         0          13     57258.43

用于测试

>head(test)
Store Dept  Date   Temperature Fuel_Price MarkDown1 MarkDown2 MarkDown3  MarkDown4 MarkDown5  CPI     Unemployment   IsHoliday Rank Weekly_Sales
1    1  12/2/2010       38.51      2.548     -2000      -500      -100       -500      -700   211.2421698    8.106       1     13     46039.49
1    1 19-02-2010       39.93      2.514     -2000      -500      -100       -500      -700   211.2891429    8.106       0     13     41595.55
1    1  12/3/2010       57.79      2.667     -2000      -500      -100       -500      -700   211.3806429    8.106       0     13     21043.39
1    1   7/5/2010       72.55      2.835     -2000      -500      -100       -500      -700   210.3399684    7.808       0     13     17413.94
1    1 21-05-2010       76.44      2.826     -2000      -500      -100       -500      -700   210.6170934    7.808       0     13     14773.04
1    1 28-05-2010       80.44      2.759     -2000      -500      -100       -500      -700   210.8967606    7.808       0     13     15580.43

我使用的代码如下：

>library(neuralnet)



>n <-neuralnet(Weekly_Sales~Temperature+Fuel_Price+MarkDown1+MarkDown2+MarkDown3+MarkDown4+MarkDown5+CPI+Unemployment+IsHoliday+Rank,data= train,hidden=c(4,3),err.fct="sse",linear.output=FALSE)
>plot(n)
>output <- compute(n,test[,4:14])
>output1 <- output$net.result*(max(test$Weekly_Sales)-min(test$Weekly_Sales))+min(test$Weekly_Sales)

神经网络经过训练，显示出 10^13 范围内的误差。此外，我每次都得到相同的输出，我正在运行代码，这些预测甚至与测试数据中的实际 Weekly_Sales 都不接近。我使用了另一个部门的数据集，但仍然得到相同的预测。

输出

>head(output$net.result)
      [,1]
2  0.9999999998
3  0.9999999998
6  0.9999999998
14 0.9999999998
16 0.9999999998
17 0.9999999998



> head(output1)
    [,1]
2  149743.97
3  149743.97
6  149743.97
14 149743.97
16 149743.97
17 149743.97

Answer 1

在应用神经网络（）之前，您需要对数据进行标准化。因此，在将 train1 拆分为 train/test 之前，请使用以下代码

maximum <- apply(train1, 2, max)
minimum <- apply(train1, 2, min)
train1_scaled <- as.data.frame(scale(train1, center=minimum, scale = maximum- minimum))

然后使用您的代码拆分数据并使用以下函数

#linear.output should be TRUE as you are predicting continuos dependent variable
n <- neuralnet(Weekly_Sales~Temperature+Fuel_Price+MarkDown1+MarkDown2+MarkDown3+MarkDown4+MarkDown5+CPI+Unemployment+IsHoliday+Rank,data= train,hidden=c(4,3),err.fct="sse",linear.output=TRUE)

下面的代码也需要稍作修改

#basically to convert it back to non-scaled version, you need to do it using non-scaled original data not 'test' dataset 
output1 <- output$net.result*(max(train1$Weekly_Sales)-min(train1$Weekly_Sales))+min(train1$Weekly_Sales)

#also the dependent variable in test dataset will need conversion
test$Weekly_Sales_nonScaled <- test$Weekly_Sales*(max(train1$Weekly_Sales)-min(train1$Weekly_Sales))+min(train1$Weekly_Sales)

#After this you can compare original data (test$Weekly_Sales_nonScaled) with predicted data (output1)

如果有帮助，请不要忘记告诉我们：)