使用 nnet 进行预测，我这样做对吗？

Question

我对 R 和 AI / ML 技术还很陌生。我想使用神经网络进行预测，因为我是新手，我只想看看这是否应该如何完成。

作为测试用例，我根据之前的 2 个值来预测 sin() 的值。为了进行训练，我使用y = sin(x)、x1 = sin(x-1)、x2 = sin(x-2)<创建了一个数据框/code>，然后使用公式y ~ x1 + x2。

它似乎有效，但我只是想知道这是否是正确的方法，或者是否有更惯用的方法。

这是代码：

require(quantmod) #for Lag()
requre(nnet)
x <- seq(0, 20, 0.1)
y <- sin(x)
te <- data.frame(y, Lag(y), Lag(y,2))
names(te) <- c("y", "x1", "x2")
p <- nnet(y ~ x1 + x2, data=te, linout=TRUE, size=10)
ps <- predict(p, x1=y)
plot(y, type="l")
lines(ps, col=2)

谢谢

[编辑]

这对于预测调用更好吗？

t2 <- data.frame(sin(x), Lag(sin(x)))
names(t2) <- c("x1", "x2")
vv <- predict(p, t2)
plot(vv)

我想我想通过查看 nnet 的预测（应该近似于正弦波）来了解 nnet 是否实际工作。

Answer 1

我真的很喜欢 caret 包，因为它为各种模型提供了一个很好的、统一的接口，例如 nnet。此外，它还使用交叉验证或引导重新采样自动调整超参数（例如大小和衰减）。缺点是所有这些重新采样都需要一些时间。

#Load Packages
require(quantmod) #for Lag()
require(nnet)
require(caret)

#Make toy dataset
y <- sin(seq(0, 20, 0.1))
te <- data.frame(y, x1=Lag(y), x2=Lag(y,2))
names(te) <- c("y", "x1", "x2")

#Fit model
model <- train(y ~ x1 + x2, te, method='nnet', linout=TRUE, trace = FALSE,
                #Grid of tuning parameters to try:
                tuneGrid=expand.grid(.size=c(1,5,10),.decay=c(0,0.001,0.1))) 
ps <- predict(model, te)

#Examine results
model
plot(y)
lines(ps, col=2)

它还以适当的比例进行预测，因此您可以直接比较结果。如果您对神经网络感兴趣，您还应该看看neuralnet和RSNNS包。 caret 目前可以调整 nnet 和 neuralnet 模型，但尚未提供 RSNNS 接口。

/edit: caret 现在有一个 RSNNS 接口。事实证明，如果您向软件包维护者发送电子邮件并要求将模型添加到插入符中，他通常会这样做！

/edit: caret 现在还支持来自 brnn 包。此外，插入符号现在还可以更轻松地指定您自己的自定义模型 ，与您喜欢的任何神经网络包交互！