使用插入符号和神经网络包对两个输出变量进行神经网络调整时的差异

Question

我使用插入包和神经网络模型，以一个包含几个预测因子的数据集为基础，通过主成分分析找到神经网络的最佳调谐参数。此数据集还包含两个输出数值变量，因此我希望根据预测器对这两个变量进行建模。因此，我正在执行回归。

当使用‘神经网络’包时，我得到了想要的输出:一个输出层由两个神经元组成的网络，对应于我想要建模的两个输出变量，如下面的代码所示。

library(neuralnet)
neuralnet.network <- neuralnet(x + y ~ PC1 + PC2, train.pca.groundTruth, hidden=2, rep=5, algorithm = "rprop+", linear.output=T)

> head(compute(neuralnet.network, test.pca[,c(1,2)])$net.result)
            [,1]         [,2]
187 0.5890781796 0.3481661367
72  0.7182396668 0.4330461404
107 0.5854193907 0.3446555435
228 0.6114171607 0.3648684296
262 0.6727465772 0.4035759540
135 0.5559830113 0.3288717153

但是，当使用来自插入符号包的train函数的相同模型时，输出仅由一个名为“. output”的变量组成，这实际上是两个变量的和。这是代码：

paramGrid <- expand.grid(.layer1 = c(2), .layer2 = 0, .layer3 = 0)
ctrl <- trainControl(method = "repeatedcv", repeats = 5)
set.seed(23)
caret.neuralnet <- train(x + y ~ PC1 + PC2, data = train.pca.groundTruth, method = "neuralnet", metric = "RMSE", tuneGrid = paramGrid, trControl = ctrl, algorithm = "rprop+", linear.output = T)

> head(predict(caret.neuralnet, test.pca[,c(1,2)]))
[1] 0.9221328635 1.1953289038 1.0333353272 0.9561434406 1.0409961115 0.8834807926

是否有可能阻止插入训练函数将公式中的符号“+”解释为求和，但将其解释为若干输出变量的规范，就像神经网络那样？我试过了x-y的形式，尽管它不起作用。

我想知道在不对每个输出变量进行单独的模型训练的情况下，是否有任何形式可以这样做。

非常感谢!

Answer 1

train不支持多个结果，因此预期的符号公式x + y解析为文字公式，添加了x和y。

最大值