В этой статье я объясню нейронные сети и то, как вы можете создавать нейронные сети в R. Во-первых, я должен кратко объяснить нейронные сети.

Нейронные сети

Что такое нейронная сеть? Нейронная сеть — это система, в которой вы принимаете входные данные с числовыми и категориальными данными и передаете их в некоторые узлы. Эти узлы находятся в слоях, и в этих узлах к этим входным параметрам применяются простые математические процедуры. После этого вы можете применить другие слои для более детальной работы.

Как видите, есть три основных слоя. Вход, Скрытый и Выход. Выходные данные могут измениться, если случай классификации больше, чем 2 класса.

Как работают нейронные сети?



Понимание нейронных сетей
Мы изучаем, как функционируют нейронные сети, чтобы построить интуитивно понятное понимание глубокого обученияtowardsdatascience.com



В этой статье кратко объясняются операции и рабочий процесс нейронных сетей. Кроме того, я объясню это тоже.

Общее дело вот в чем:

Просто вы взвешиваете все входные данные и вводите их в математическую ступенчатую функцию после суммирования весов. Затем таким же образом перейдите к другим слоям.



Объяснение искусственных нейронных сетей
в этом посте мы объясним все, что вам нужно знать об искусственных нейронных сетях, в теоретическом и…blog.goodaudience.com





Прямое распространение в нейронных сетях — версия с упрощенной математикой и кодом
Как мы все знаем за последнее десятилетие, глубокое обучение стало одной из наиболее широко распространенных новых технологий…навстречу datascience.com



Этот процесс называется прямым распространением. После этого происходит обратное распространение для подбора весов. Таким образом, наша нейронная сеть могла работать легко.

Обратное распространение

Это простой процесс обновления веса. С цепным правилом из дифференциальных уравнений оно обновляется в сети.

Новый вес = старый вес — производная скорость * скорость обучения

Когда мы берем производную функции, мы просто находим малое значение для убывания в параболическом пространстве. Скорость обучения постоянна, и мы выбираем ее в соответствии с подробным подходом к минимальной ошибке.



Как работает обратное распространение в искусственных нейронных сетях?
С тех пор, как мир машинного обучения был представлен нелинейным функциям, которые работают рекурсивно (т. е. искусственным…навстречу datascience.com



Вы можете увидеть в этой статье простые шаги.

Нормализация перед глубоким обучением



Почему нормализация данных необходима для моделей машинного обучения
Нормализация — это метод, часто применяемый как часть подготовки данных для машинного обучения. Цель нормализации…medium.com



Зачем нужна нормализация?

Потому что в узлах нейронных сетей некоторые узлы могут быть настолько взвешены своим не нормализованным значением и его можно измерить как нечто другое для вывода. Подробности вы можете прочитать в статье выше.

Это не сложно, хотя вы должны сначала соответствующим образом нормализовать переменные.

Если вы не нормализуете свои значения, алгоритм не сможет работать должным образом и выдаст ошибку. Вот почему это важно.

сначала я загружаю свои пакеты.

library(ISLR)
library("caret")
attach(Carseats)
library(tidyverse)
library("keras")
library(neuralnet)
library(Hmisc)
library(caret)
names(Carseats)

После этого я создаю функцию нормализации, чтобы применить ее позже.

normalize <- function(x) {
  return ((x - min(x)) / (max(x) - min(x)))
}
data <- Carseats[complete.cases(Carseats), ]
data <- data %>% select_if(is.numeric)
dfNorm <- as.data.frame(lapply(data, normalize))

Нормализация — это минимальная нормализация. Он дает вам значения от 0 до 1. Таким образом, вы нормализуете значения в 0–1. После того, как complete.cases дает значения, отличные от na. Select_if, как следует из названия, выбирает, являются ли данные числовыми в этом столбце. Затем применяется функция нормализации с помощью функции lapply.

Далее проводится выборка.

n = nrow(Carseats)
smp_size <- floor(0.7 * n) # 
set.seed(123) 
index<- sample(seq_len(n),size = smp_size)
train <- dfNorm[index,]
test <- dfNorm[-index,]

Сначала я беру номер строки данных Carseats в переменную n. Затем я создаю размер выборки равным 70%. Затем установка семени предназначена для создания корня для рандомизации. Smaple дает случайное число 70%. Так что я могу выбрать их с помощью after и отправить их на обучение и тестирование. Вы можете посмотреть некоторые операции R в Интернете.

Я смотрю первые 5 коррелированных значений для обучения нейронной сети

corrTrain <- cor(train) # Select best 5 correlated values.
library(corrplot)
corrplot(corrTrain, type = "upper", order = "hclust", 
         tl.col = "black", tl.srt = 45)

Соотношение для выбора. Если вы выберете наиболее коррелированные значения для вашего процесса машинного обучения, вы достигнете наивысшей логической точности.

nn=neuralnet(Sales~Income+Advertising+Population+Price+Age,data=train, hidden=10,act.fct = "logistic",
             linear.output = TRUE,stepmax=10^5,threshold = 0.01)

Итак, как вы можете видеть в модели, я выбираю Доход, Реклама, Население, Цена и Возраст.

Для числовых значений вы можете изменить функцию linear.output.

Также вы можете изменить свои скрытые слои, указав числа в векторе, как это

nn=neuralnet(Sales~Income+Advertising+Population+Price+Age,data=train, hidden=c(7,6,5),act.fct = "logistic",
             linear.output = TRUE,stepmax=10^5,threshold = 0.01)
hidden=c(7,6,5)

Как видите, я установил скрытые слои как 7,6,5. Сюжет этого таков:

С этим скрытым слоем ошибка предсказания не меняется.

Затем идет прогнозирование и вычисление ошибки. Я рассчитываю ошибку с помощью метода средней ошибки.

Predict=compute(nn,test)
Predict$net.result
RMSE <- function(actual,predicted) {
  return(sqrt(sum(actual^2-predicted^2)/length(actual)))
}
Predict <- is.numeric(Predict)
RMSE(test$Sales,Predict)

Rmse — метод ошибок из статистики. Вы просто берете разницу между реальными и прогнозируемыми значениями. Однако для отрицательных значений вы берете квадраты из них, а затем делите N на количество значений.

Ошибка 0.5087188. Я думаю, это неплохо.

Спасибо за чтение, хорошего дня.