- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信小驿站
机器学习识别乳腺癌
nnet包中的函数nnet()语法： nnet(formula, data, weights, ..., subset, na.action, contrasts = NULL) nnet( 包中的nnet()函数建模 library(nnet) #通过循环，确定最佳的节点数 err1 <- 0 err2 <- 0 for (i in 1:45){ set.seed(1234) model <- nnet(diagnosis ~ ., data = train, maxit = 50, size = 4, trace = FALSE) pred_nnet <- predict(model_nnet , test, type = 'class') #预测精度 Freq_nnet <- table(test$diagnosis, pred_nnet) Freq_nnet accuracy_nnet < - sum(diag(Freq_nnet))/sum(Freq_nnet) accuracy_nnet 模型准确判断率超过99%，模型非常完美的刻画了数据。
78720发布于 2018-08-27 - 来自专栏AI研习社
一文详解 DNN 在声学应用中的模型训练
这里以steps/nnet为例。追溯脚本到steps/nnet/train.sh，找到相关的命令： ... 进一步来看神经网络的输入与输出的维度，网络结构被utils/nnet/make_nnet_proto.py写到nnet_proto文件中，该Python脚本的两个重要参数 num_fea和num_tgt >& frm_weights = weights_randomizer.Value(); 前向传播，计算估计值nnet_out // forward pass, nnet.Propagate(nnet_in in Eval, mse.Eval(frm_weights, nnet_out, nnet_tgt, &obj_diff); } ... total_frames += nnet_in.NumRows()， 最终由调用该部分代码的/steps/nnet/train_scheduler.sh指定最大迭代次数max_iters或accept训练的模型
1.7K60发布于 2018-03-19 - 来自专栏全栈程序员必看
深度置信网络matlab语言实现(tcc信念)
|– grbmtrain.m | |– iris.txt | |– logistic.m | |– minimize.m | |– mixrbmtrain.m | |– net1.mat | |– nnet.m | |– nnet_unpack.m | |– nnetbp.m | |– nnetbp_for_minimize.m | |– nnetfw.m | |– nnettest.m | |– nnettrain.m | |– nnettrain_by_z.m | |– nnettrain_skip.m | |– rbm.m | |– rbm1.mat | |– rbm2.mat | |– rbm2nnet.m | | |– grbmtrain.m | |– logistic.m | |– minimize.m | |– mixrbmtrain.m | |– net.mat | |– net1.mat | |– nnet.m | |– nnettrain_by_z.m | |– nnettrain_skip.m | |– rbm.m | |– rbm1.mat | |– rbm2.mat | |– rbm2nnet.m |
49710编辑于 2022-07-28 - 来自专栏大数据风控
R分类算法-神经网络算法
神经网络用到的包”nnet” nnet(formula,data,size,decay,maxit,linout,trace) formula 建模表达式 data 训练数据 size 最大回归次数（防止拟合过度） linout 是否使用S型函数处理输出，一般设置为TRUE trace 是否输出训练过程的日记，一般设置为FALSE 代码实现： library(nnet data.train <- data[index, ] data.test <- data[-index, ] formula <- Home.OwnershipRent ~ .; data.train.nnet = nnet( formula = formula, data = data.train, size = 3, decay = 0.1, linout = T, trace = F ) data.test.predict <- predict( data.train.nnet, newdata = data.test ) data.test.predict
1.6K101发布于 2018-01-09 - 来自专栏全栈程序员必看
深度信念网络DBN的一个matlab实例「建议收藏」
训练得到第一隐层的网络参数，rbm输入为图片数据 rbm1 = rbm([784,400]); rbm1 = checkrbmtrain(@rbmtrain1,rbm1,X,50,0.1); net_rbm1 = rbm2nnet 训练得到第二隐层的网络参数，输入为第一隐层的输出 rbm2 = rbm([400,200]); rbm2 = checkrbmtrain(@rbmtrain1,rbm2,h1,50,0.1); net_rbm2 = rbm2nnet 训练得到第四隐层的网络参数，输入为第三隐层的输出 rbm4 = rbm([100,50]); rbm4 = checkrbmtrain(@rbmtrain1,rbm4,h3,50,0.1); net_rbm4 = rbm2nnet 训练得到第五隐层的网络参数，输入为第四隐层的输出 rbm5 = rbm([50,20]); rbm5 = checkrbmtrain(@rbmtrain1,rbm5,h4,50,0.1); net_rbm5 = rbm2nnet net1 = nnet([784,400,200,100,50,20,10],'softmax'); net1.w{1} = net_rbm1.w{1}; net1.w{2} = net_rbm2.w{
1.1K10编辑于 2022-07-28 - 来自专栏素质云笔记
笔记+R︱信用风险建模中神经网络激活函数与感知器简述
△，小，就会摆动；大，乱跑；设置多少没有定论 —————————————————————————————————————————— 四、BP神经网络-R语言实现——nnet包+AMORE包 BP神经网络需要对数据进行标准化 library(nnet) help(package="nnet") model_nnet<-nnet(y~., linout = F,size = 24, decay = 0.01, maxit = ———————————————————————————— 应用一：报错Error in nnet.default(x, y, w, entropy = TRUE, ...) Error in nnet.default(x, y, w, entropy = TRUE, ...) : too many (1209) weights 这个是因为隐藏层多了之后，运算不了
86110发布于 2019-05-26 - 来自专栏生信小驿站
黑箱方法-神经网络①人工神经网络
简单实例 今天，主要使用人工神经网络的进行建模分析，涉及的R包是neuralnet和nnet两个包，函数名和包名是一样的。 nnet formula:公式的形式class ~ x1 + x2 + ..... decay：经元输入权重的一个修正参数，表明权重是递减的（可以防止过拟合; maxit：最大反馈迭代次数； skip：是否允许跳过隐含层 trace：支出是否要最优化 代码 library(nnet ) data("iris") model.nnet <- nnet(Species ~. , data = iris,linout = F, size = 10 , decay = 0.01,maxit= 1000, trace = F) pre.forest <- predict(model.nnet, iris, type = "class") table(pre.forest
1K30发布于 2018-08-27 - 来自专栏IT杂谈学习
【Python】已解决：pymssql._pymssql.OperationalError: (20009, b’DB-Lib error message 20009, severity 9:\nUn
message 20009, severity 9:\nUnable to connect: Adaptive Server is unavailable or does not exist (服务器地址)\nNet-Lib message 20009, severity 9:\nUnable to connect: Adaptive Server is unavailable or does not exist (服务器地址)\nNet-Lib message 20009, severity 9:\nUnable to connect: Adaptive Server is unavailable or does not exist (服务器地址)\nNet-Lib message 20009, severity 9:\nUnable to connect: Adaptive Server is unavailable or does not exist (服务器地址)\nNet-Lib message 20009, severity 9:\nUnable to connect: Adaptive Server is unavailable or does not exist (服务器地址)\nNet-Lib
1.4K10编辑于 2024-07-01 - 来自专栏科技记者
分类II-神经网络和支持向量机 笔记
6.10 nnet包训练神经模型 这个包提供了传统的前馈反向传播神经网络算法的功能实现，neuralnet包实现了大部分神经网络算法。 # ####nnet install.packages('nnet') library(nnet) # 利用前面分好的训练和测试集 隐藏单元size，初始随机数rang，权值衰减参数decay， 最大迭代次数 maxit iris.nn <- nnet(Species~. summary(iris.nn) a 4-2-3 network with 19 weights options were - softmax modelling decay=5e-04 6.11 基于nnet
59020编辑于 2022-03-04 - 来自专栏机器学习AI算法工程
R语言 使用BP神经网络进行银行客户信用评估
一、学习R语言AMORE包中的newff函数 这是个前馈神经网络工具包，类似的还有nnet，RSNNS等。AMORE比nnet参数要丰富一些。
1.5K80发布于 2018-03-14 - 来自专栏最新技术
R语言中的非线性分类
R中的神经网络： # load the package library(nnet) data(iris) # fit model fit <- nnet(Species~., data=iris, size <- predict(fit, iris[,1:4], type="class") # summarize accuracy table(predictions, iris$Species) 了解有关nnet 软件包中的nnet功能的更多信息。
2.1K100发布于 2018-02-11 - 来自专栏拓端tecdat
R语言神经网络模型预测多元时间序列数据可视化|附代码数据
require(nnet) ## Loading required package: nnet #设置因变量 y=data$Y # y<-data.frame((y-min(y))/
34740编辑于 2023-09-11 - 来自专栏拓端tecdat
R语言神经网络模型预测多元时间序列数据可视化|附代码数据
require(nnet) ## Loading required package: nnet #设置因变量 y=data$Y # y<-data.frame((y-min(y))/
42830编辑于 2023-07-21 - 来自专栏禅境花园
Linux 最大连接数修改
nofile 65535 也可以 echo "\n* soft nofile 65536\n* hard nofile 65536\n" >> /etc/security/limits.conf echo "\nnet.core.somaxconn = 65535\nnet.netfilter.nf_conntrack_max = 1048576" >> /etc/sysctl.conf && sudo sysctl -p 对于系统服务（如 nginx
2.6K10编辑于 2025-01-01 - 来自专栏拓端tecdat
R语言神经网络模型预测多元时间序列数据可视化|附代码数据
require(nnet) ## Loading required package: nnet #设置因变量 y=data$Y # y<-data.frame((y-min(y))/
37520编辑于 2023-08-21 - 来自专栏WalkingCloud
CentOS7 部署ElastiFlow网络流量分析平台
sudo tee /etc/sysctl.d/70-elasticsearch.conf > /dev/null echo -e "net.core.netdev_max_backlog=4096\nnet.core.rmem_default =262144\nnet.core.rmem_max=67108864\nnet.ipv4.udp_rmem_min=131072\nnet.ipv4.udp_mem=2097152 4194304 8388608
2K10编辑于 2022-05-17 - 来自专栏拓端tecdat
R语言神经网络模型预测多元时间序列数据可视化
require(nnet) ## Loading required package: nnet #设置因变量 y=data$Y # y<-data.frame((y-min(y))/
39600编辑于 2023-04-20 - 来自专栏锦小年的博客
linux服务器搭建之路6-centos7安装matlab2017b
创建快捷方式 新建文件: vim /usr/share/applications/matlab.desktop 添加以下代码,注意Icon=/home/usr/matlab2017b/toolbox/nnet Terminal=false Exec=/usr/local/bin/matlab -desktop Name=MATLAB2017b Icon=/home/usr/matlab2017b/toolbox/nnet
1.7K20发布于 2019-05-28 - 来自专栏机器学习AI算法工程
R语言与机器学习（分类算法）神经网络
四、R中的神经网络函数 单层的前向神经网络模型在包nnet中的nnet函数，其调用格式为： nnet(formula,data, weights, size, Wts, linout = 我们使用nnet函数分析Vehicle数据。随机选择半数观测作为训练集，剩下的作为测试集，构建只有包含3个节点的一个隐藏层的神经网络。 输入如下程序： [plain] view plaincopyprint library(nnet); #安装nnet软件包 library(mlbench); #安装mlbench软件包 data 接着上面的语句输入如下程序： a=nnet(Vehicle[samp,-19],b[samp,],size=15,rang=0.1,decay=5e-4,maxit=10000); test.cl 由于nnet包对输入的维数有一定限制（我也不知道为什么，可能在权值计算的时候出现了一些bug，反正将支持向量机那一节的代码平行的移过来是会报错的）。
2.8K50发布于 2018-03-12 - 来自专栏红色石头的机器学习之路
简述推荐系统中的矩阵分解
例如linear models，NNet模型等。但决策树（decision tree）是个例外，它可以使用categorical features。 可供选择使用的方法和模型很多，这里，我们使用的是NNet模型。NNet模型中的网络结构是N−d˘−M型，其中N是输入层样本个数，d˘是隐藏层神经元个数，M是输出层电影个数。 该NNet为了简化计算，忽略了常数项。当然可以选择加上常数项，得到较复杂一些的模型。顺便提一下，这个结构跟我们之前介绍的autoencoder非常类似，都是只有一个隐藏层。 说到这里，有一个问题，就是上图NNet中隐藏层的tanh函数是否一定需要呢？答案是不需要。因为输入向量x是经过encoding得到的，其中大部分元素为0，只有一个元素为1。
53420编辑于 2022-01-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号