R语言机器学习与临床预测模型37--神经网络

本内容为【科研私家菜】R语言机器学习与临床预测模型系列课程

R小盐准备介绍R语言机器学习与预测模型的学习笔记

你想要的R语言学习资料都在这里， 快来收藏关注【科研私家菜】

---

01 神经网络

人工神经网络（Artificial Neural Network）简单而言是一种分类算法，是机器学习和认知科学领域中一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。。作为机器学习的一个庞大分支，人工神经网络目前大约有几百种算法，其中包括一些著名的ANN算法：感知器神经网络（Perceptron Neural Network）, 反向传递（Back Propagation）， Hopfield网络和自组织映射（Self-Organizing Map, SOM）等等。
分类器的输入是一个数值向量，叫做属性或者特征。分类器的目的就是要使正确分类的可能性尽可能的高，错分的概率尽可能的低，一般我们会人为的划分一些样本做好标记作为训练样本，训练好的样本拿来对测试样本进行检验，这就是一个分类算法的基本原理。人工神经网络是一种监督分类算法。
神经网络由三部分组成，分别是最左边的输入层，隐藏层（实际应用中远远不止一层）和最右边的输出层。层与层之间用线连接在一起，每条连接线都有一个对应的权重值 w，除了输入层，一般来说每个神经元还有对应的偏置

---

02 神经网络R语言实现

R语言有多个关于神经网络的包，包括nnet、AMORE、neuralnet和RSSNS包，nnet提供了最常见的前馈反向传播神经网络算法。AMORE包则更进一步提供了更为丰富的控制参数，并可以增加多个隐藏层。neuralnet包的改进在于提供了弹性反向传播算法和更多的激活函数形式，而RSNNS包则扩充了其它拓扑结构和网络模型。

library(caret)
library(MASS)
library(neuralnet)
library(vcd)

data(shuttle)
str(shuttle)
table(shuttle$use)
table1 <- structable(wind + magn ~ use, shuttle)
table1
mosaic(table1, shade = T)
mosaic(use ~ error + vis, shuttle)
table(shuttle$use, shuttle$stability)
prop.table(table(shuttle$use, shuttle$stability))
chisq.test(shuttle$use, shuttle$stability)

dummies <- dummyVars(use ~. ,shuttle, fullRank = T)
dummies
shuttle.2 <- data.frame(predict(dummies, newdata = shuttle))
names(shuttle.2)
head(shuttle.2)
shuttle.2$use <- ifelse(shuttle$use == "auto", 1, 0)
table(shuttle.2$use)
set.seed(123)
trainIndex <- createDataPartition(shuttle.2$use, p = .7,
                                  list = F)
# head(trainIndex)
shuttleTrain <- shuttle.2[ trainIndex, ]
shuttleTest  <- shuttle.2[-trainIndex, ]

#### 模型构建与评价 -------
n <- names(shuttleTrain)
form <- as.formula(paste("use ~", paste(n[!n %in% "use"], collapse = " + ")))
form

set.seed(1)
fit <- neuralnet(form, data = shuttleTrain, hidden = c(2, 1), err.fct = "ce", 
                 linear.output = F)
fit$result.matrix
head(fit$generalized.weights[[1]])
plot(fit)
par(mfrow=c(1,2))
gwplot(fit, selected.covariate = "vis.yes")
gwplot(fit, selected.covariate = "wind.tail")

resultsTrain <- compute(fit, shuttleTrain[, 1:10])
predTrain <- resultsTrain$net.result

predTrain <- ifelse(predTrain >= 0.5, 1, 0)
table(predTrain, shuttleTrain$use)

resultsTest <- compute(fit, shuttleTest[,1:10])
predTest <- resultsTest$net.result
predTest <- ifelse(predTest >= 0.5, 1, 0)
table(predTest, shuttleTest$use)

which(predTest == 1 & shuttleTest$use == 0)

效果如下：

---

关注R小盐，关注科研私家菜(VX_GZH: SciPrivate)，有问题请联系R小盐。让我们一起来学习 R语言机器学习与临床预测模型