理解nnet函数的输出

Question

我是神经网络的新手，所以，对于我天真的问题，很抱歉。我想了解一下nnet函数的输出。我正在使用这个函数来执行多类分类。

特别是，我有一个包含216个主题、6个变量和一个表示类的列的数据集(类是三个)。

   SRT_LTS_1 SRT_LTS_2 SRT_LTS_3 SRT_LTS_4 SRT_LTS_5 SRT_LTS_6 SRT_Recall_D_tot Classe
DATSANI01  1.386294  1.609438  2.079442  2.302585  2.397895  2.397895         2.564949      2
DATSANI02  1.945910  2.079442  2.079442  2.197225  2.302585  2.302585         2.079442      2
DATSANI03  2.079442  2.302585  2.302585  2.397895  2.397895  2.397895         2.397895      2
DATSANI04  1.609438  2.079442  2.397895  2.397895  2.397895  2.397895         2.397895      2
DATSANI05  2.197225  2.484907  2.484907  2.564949  2.564949  2.564949         2.484907      2
DATSANI06  2.079442  2.397895  2.484907  2.564949  2.564949  2.564949         2.564949      2

在训练集和测试集中对数据集进行拆分后，我使用class.ind函数对数据帧进行了修改，以面对多类分类问题，如二进制组合：

nnet_trainData_SRT2$Y = class.ind(nnet_trainData_SRT2$Classe)

nnet_trainData_SRT2$Classe=NULL

所以现在，我的数据帧是这样的：

SRT_LTS_1 SRT_LTS_2 SRT_LTS_3 SRT_LTS_4 SRT_LTS_5 SRT_LTS_6 SRT_Recall_D_tot Y.0 Y.1 Y.2
DATNPS_209  1.791759  2.079442  2.397895  2.564949  2.564949  2.564949         2.564949   0   1   0
DATNPS_108  2.197225  2.564949  2.564949  2.564949  2.564949  2.564949         2.564949   0   1   0
DATNPS_234  2.197225  2.397895  2.484907  2.564949  2.564949  2.564949         2.564949   0   1   0
DATNPS_191  1.609438  1.791759  2.079442  2.197225  2.302585  2.302585         1.945910   0   1   0
DATNPS_126  2.397895  2.484907  2.484907  2.564949  2.564949  2.564949         2.564949   0   1   0
DATSANI22   1.386294  1.945910  2.302585  2.484907  2.564949  2.564949         2.564949   0   0   1

其中1和0分别表示subjcet是否在这三个类之一中。

然后，我使用nnet函数：

model_nnSRT2<-nnet(Y~ SRT_LTS_1 +SRT_LTS_2+ SRT_LTS_3 +SRT_LTS_4+ SRT_LTS_5 +SRT_LTS_6, nnet_trainData_SRT2, size=2, decay=0.1,softmax=TRUE,entropy=TRUE).

但是当我得到model_nnSRT2$fitted.values时，我不理解这个函数的输出

                 0           1            2
    DATNPS_209 0.01699072 0.827037151 0.1559721302
    DATNPS_108 0.01789546 0.771608777 0.2104957604
    DATNPS_234 0.01645185 0.794800012 0.1887481349
    DATNPS_191 0.05037927 0.839477193 0.1101435346
    DATNPS_126 0.01603337 0.788266382 0.1957002460
    DATSANI22  0.01740139 0.836014235 0.1465843749
    DATNPS_34  0.02802254 0.791518861 0.1804586001
    DATNPS_117 0.05310552 0.835370232 0.1115242473
    DATNPS_22  0.01726448 0.799919291 0.1828162304
    DATNPS_189 0.01861498 0.775974194 0.2054108222
    DATNPS_228 0.98459076 0.014816869 0.0005923730
    DATNPS_255 0.01770538 0.788957760 0.1933368566

和model_nnSRT2$residuals。

                      0            1             2
DATNPS_209 -0.016990718  0.172962849 -0.1559721302
DATNPS_108 -0.017895462  0.228391223 -0.2104957604
DATNPS_234 -0.016451854  0.205199988 -0.1887481349
DATNPS_191 -0.050379272  0.160522807 -0.1101435346
DATNPS_126 -0.016033372  0.211733618 -0.1957002460
DATSANI22  -0.017401390 -0.836014235  0.8534156251
DATNPS_34  -0.028022539  0.208481139 -0.1804586001
DATNPS_117 -0.053105521  0.164629768 -0.1115242473
DATNPS_22  -0.017264479  0.200080709 -0.1828162304
DATNPS_189 -0.018614984  0.224025806 -0.2054108222
DATNPS_228  0.015409242 -0.014816869 -0.0005923730
DATNPS_255 -0.017705384  0.211042240 -0.1933368566

这个连续的数字是什么意思？为什么我在类中没有来自model_nnSRT2$fitted.values的带有0或1的输出？这个函数是如何计算残差的？

Answer 1

我实际上总体上没有使用R的经验，但从神经网络的角度来看，输出似乎相当合理。

神经网络中的类实际上是一个神经元，它根据其激活函数提供概率。在您的例子中，有三个(0-2)。因此，看起来你的网络输出的是每个神经元(或类)的某种概率。您可以通过汇总输出来看到这一点。它们等于每个样本一个。这显示了网络在特定样本上的性能有多好。例如，如果您的样本属于特定的类，则相关神经元的输出应尽可能接近于1，而其他神经元的输出应尽可能接近于0。

残差就是预测值和目标值之间的差。您可以通过检查这些值来验证这一点。这意味着，残差必须尽可能的小。从你的data...the残差中可以看出，未分类样本的残差非常高。