数据挖掘：R语言BP神经网络

BP神经网络

> #-----BP神经网络---对混泥土的强度进行建模--------------------------------------
> 
> data<-read.csv('concrete.csv')
> 
> #对数据进行标准化（如果数据呈现正态分布使用z分数标准化，如果处于均匀分布或者非正态分布则最大最小标准化）
> #在这里数据不满足正态分布，最大最小标准化，定义公式
> normalize<-function(x){
+   return((x-min(x))/(max(x)-min(x)))
+ }
> data_normalize<-as.data.frame(lapply(data,normalize))
> #训练集与测试集
> dat<-sample(2,nrow(data_normalize),replace = T,prob = c(0.75,0.25))
> train_data<-data_normalize[dat==1,]
> test_data<-data_normalize[dat==2,]
> #这里用neuralnet包，也可以用nnet包、RSNNS包
> # install.packages("neuralnet")
> library(neuralnet)
> model<-neuralnet(strength~cement+slag+ash+water+superplastic+coarseagg+fineagg+age,data=train_data,hidden = 1)
> 
> #---评估模型的性能
> pre_strength<-compute(model,test_data[1:8])
> #cor()相关系数获取实际值与预测值之间的关系
> cor(pre_strength$net.result,test_data$strength)
          [,1]
[1,] 0.8574563
> mean(abs(test_data$strength-pre_strength$net.result))   #平均绝对误差0.08，已经很高了
[1] 0.08472698
> #==----------------提高模型的性能-----------------------
> #增加隐藏层，hidden=5时
> model2<-neuralnet(strength~cement+slag+ash+water+superplastic+coarseagg+fineagg+age,data=train_data,hidden = 5)
> plot(model2)
> pre_strength2<-compute(model2,test_data[1:8])
> cor(pre_strength2$net.result,test_data$strength)
          [,1]
[1,] 0.9467139
> mean(abs(test_data$strength-pre_strength2$net.result))
[1] 0.05568677