如何使用神经网络包(neuralnet package)预测新病例

Question

如何使用神经网络包(neuralnet package)预测新病例

12

使用RGUI。我有一个名为Data的数据集。我感兴趣的响应变量包含在Data的第一列中。

我有名为DataTrain和DataTest的Data训练集。

使用DataTrain，我使用neuralnet软件包和函数训练了一个神经网络模型（称为DataNN）。

> DataNN = neuralnet(DataTrain[,1] ~ DataTrain[,2] + DataTrain[,3], hidden = 1,
    data = DataTrain)

请问有谁知道如何使用测试集（DataTest）在这个模型上进行预测吗？

通常情况下（对于其他模型），我会使用predict()来进行预测。例如：

> DataPred = predict(DataNN, DataTest)

但是，当我在使用neuralnet时，我得到了以下结果：

> DataPred = predict(DataNN, DataTest)

Error in UseMethod("predict") : 
no applicable method for 'predict' applied to an object of class "nn"

显然我不能在这个模型上运行

 predict（）。 有人知道任何替代方法吗？
我查看了 neuralnet 的帮助文档，并在documentation的第12页中找到了一个名为 prediction 的方法。 我不认为它是我想要的，或者至少我不知道如何将其应用于我的 Data 。
如果有任何解决方案，任何帮助都将不胜感激。

- Brian

4个回答

2

答案是 compute(nn, test)。

- Harshvardhan Solanki

2

预测功能的名称是prediction，而不是predict。

因此，请尝试使用DataPred = prediction(DataNN, DataTest)代替DataPred = predict(DataNN, DataTest)。

- hemant kumar

1

您应该使用neuralnet的预测版本，即：

DataPred <- compute(DataNN, DataTest)

如果您使用dplyr进行任何操作，则需要明确声明库，然后像这样声明函数名称。

DataPred <- neuralnet::compute(DataNN, DataTest)

顺便说一下，在为变量赋值时永远不要使用等号，不幸的是这是一个不好的习惯。

- Naufal

你能解释一下为什么等号是不好的编程实践吗？ - baxx

我使用的惯例符合Google的R风格指南。但主要原因是<-惯例实际上评估右侧的代码，并将右侧代码的结果分配给左侧的变量（在这种情况下，compute(DataNN，DataTest)的结果被分配给变量DataPred）。等号通常在函数内部使用。实际上，“=”和“<-”之间没有太大的区别，但在R中概念上略有不同。 - Naufal

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- skullkey · Accepted Answer

compute方法可以实现你想要的功能，我从帮助文件中复制了这个例子，并添加了一些注释：

 # Make Some Training Data
 Var1 <- runif(50, 0, 100) 
 # create a vector of 50 random values, min 0, max 100, uniformly distributed
 sqrt.data <- data.frame(Var1, Sqrt=sqrt(Var1)) 
 # create a dataframe with two columns, with Var1 as the first column
 # and square root of Var1 as the second column

 # Train the neural net
 print(net.sqrt <- neuralnet(Sqrt~Var1,  sqrt.data, hidden=10, threshold=0.01))
 # train a neural net, try and predict the Sqrt values based on Var1 values
 # 10 hidden nodes

 # Compute or predict for test data, (1:10)^2
 compute(net.sqrt, as.data.frame((1:10)^2))$net.result
 # What the above is doing is using the neural net trained (net.sqrt), 
 # if we have a vector of 1^2, 2^2, 3^2 ... 10 ^2 (i.e. 1, 4, 9, 16, 25 ... 100), 
 # what would net.sqrt produce?

 Output:
 $net.result
             [,1]
 [1,] 1.110635110
 [2,] 1.979895765
 [3,] 3.013604598
 [4,] 3.987401275
 [5,] 5.004621316
 [6,] 5.999245742
 [7,] 6.989198741
 [8,] 8.007833571
 [9,] 9.016971015
[10,] 9.944642147
# The first row corresponds to the square root of 1, second row is square root
# of 2 and so on. . . So from that you can see that net.sqrt is actually 
# pretty close
# Note: Your results may vary since the values of Var1 is generated randomly.