我非常喜欢caret包，因为它为各种模型（例如nnet提供了一个不错的统一接口。此外，它使用交叉验证或自举重新采样自动调整超参数（例如size和decay ）。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)
它还可以在适当的规模上进行预测，因此您可以直接比较结果。如果你有兴趣在神经网络中，你也应该看看的neuralnet和RSNNS包。 caret当前可以调整nnet和neuralnet模型，但还没有RSNNS的接口。
/ edit： caret现在具有RSNNS的接口。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caret他通常会这样做！
/ edit： caret现在还支持brnn包中的前馈神经网络的贝叶斯正则化。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 ，以与您喜欢的任何神经网络包进行交互！
收藏
Rosemary Ruskin• 630
评论
关于我们
常见问题
内容许可
联系我们
0
我对R和AI / ML技术还很陌生 。我想使用神经网络进行预测，由于我是新手，所以我只想看看这是应该怎么做的。
作为测试用例，我基于两个先前的值预测
sin()值。为了进行训练，我创建了一个数据框，其中y = sin(x)，x1 = sin(x-1)，x2 = sin(x-2)，然后使用公式y ~ x1 + x2。它似乎可行，但是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：
谢谢
[编辑]
这对于预测电话更好吗？
我想我很想看看nnet实际上是通过查看其预测来工作的（它应该近似于正弦波）。