随机森林填充缺失值、BP神经网络在亚马逊评论、学生成绩分析研究2案例合集1:https://developer.aliyun.com/article/1501335

使用BP神经网络进行建模与应用分析

BP神经网络作为一种有效的机器学习工具，能够处理复杂的非线性关系，并在许多领域得到了广泛应用。本文首先介绍了BP神经网络的基本原理，然后详细描述了使用BP神经网络进行建模的步骤，并通过绘制原始数据和拟合数据的图形对比，以及分类混淆矩阵的分析，对建模结果进行了评估。

相关视频

我们使用了数据集data2，其中包含多个特征变量和一个目标变量V10001。首先，我们将特征变量提取出来作为训练数据train，并将目标变量作为目标值targets。

train=data2[,c("V3351" ,"V6732" , "V7121" , "V7892" ,"V8822" ,"V9466" )]  
targets=data2$V10001

数据处理

为了将目标值转换为适合神经网络处理的形式，我们使用class.ind()函数将其转换为指示矩阵。这样，每个目标值都被表示为一个长度为类别数的向量，其中对应类别的位置为1，其余位置为0。

#使用神经网络对训练结果进行集成  
 targets=class.ind(targets)

建立BP神经网络模型

我们使用nnet()函数建立BP神经网络模型。该函数允许我们指定网络的大小（即隐藏层神经元数量）以及其他参数。在本例中，我们设置隐藏层神经元数量为2，并允许网络进行多次迭代以达到收敛。

模型评估

通过summary()函数，我们可以查看模型的详细信息，包括网络结构、权重和训练过程中的收敛情况等。此外，我们还绘制了原始数据和拟合数据的图形对比，以直观展示模型的拟合效果。最后，我们计算了分类混淆矩阵，以评估模型在分类任务上的性能。

#绘制拟合数据  
  
points(train[,"V3[1:nrow(train)] , col = "red", pch=4)
 tab=table(pre,train[,"V3351"])#分类混淆矩阵  
 tab

结果与讨论

通过BP神经网络模型的建立和评估，我们得到了以下结果：

• 模型结构为一个6-2-50的网络，共有164个权重。
  
• 在训练过程中，初始值较大，但经过多次迭代后逐渐收敛到一个较小的值。
  
• 通过绘制原始数据和拟合数据的图形对比，我们发现模型能够较好地拟合原始数据的变化趋势。
  
• 分类混淆矩阵显示，模型在分类任务上具有一定的准确性，但仍然存在一些误分类的情况。这可能是由于数据噪声、模型复杂度不足或训练数据不足等原因导致的。
  

需要注意的是，BP神经网络的性能受到多种因素的影响，包括网络结构、训练算法、学习率等。在实际应用中，我们需要根据具体问题选择合适的参数和配置，以获得更好的建模效果。

案例2：R语言中的BP神经网络模型分析学生成绩

在本教程中，您将学习如何在R中创建神经网络模型。

神经网络（或人工神经网络）具有通过样本进行学习的能力。人工神经网络是一种受生物神经元系统启发的信息处理模型。它由大量高度互连的处理元件（称为神经元）组成，以解决问题。它遵循非线性路径，并在整个节点中并行处理信息。神经网络是一个复杂的自适应系统。自适应意味着它可以通过调整输入权重来更改其内部结构。

该神经网络旨在解决人类容易遇到的问题和机器难以解决的问题，例如识别猫和狗的图片，识别编号的图片。这些问题通常称为模式识别。它的应用范围从光学字符识别到目标检测。

本教程将涵盖以下主题：

• 神经网络概论
  
• 正向传播和反向传播
  
• 激活函数
  
• R中神经网络的实现
  
• 案例
  
• 利弊
  
• 结论
  

神经网络概论

神经网络是受人脑启发执行特定任务的算法。它是一组连接的输入/输出单元，其中每个连接都具有与之关联的权重。在学习阶段，网络通过调整权重进行学习，来预测给定输入的正确类别标签。

人脑由数十亿个处理信息的神经细胞组成。每个神经细胞都认为是一个简单的处理系统。被称为生物神经网络的神经元通过电信号传输信息。这种并行的交互系统使大脑能够思考和处理信息。一个神经元的树突接收来自另一个神经元的输入信号，并根据这些输入将输出响应到某个其他神经元的轴突。

树突接收来自其他神经元的信号。单元体将所有输入信号求和以生成输出。当总和达到阈值时通过轴突输出。突触是神经元相互作用的一个点。它将电化学信号传输到另一个神经元。

x1，x2 .... xn是输入变量。w1，w2 .... wn是各个输入的权重。b是偏差，将其与加权输入相加即可形成输入。偏差和权重都是神经元的可调整参数。使用一些学习规则来调整参数。神经元的输出范围可以从-inf到+ inf。神经元不知道边界。因此，我们需要神经元的输入和输出之间的映射机制。将输入映射到输出的这种机制称为激活函数。

前馈和反馈人工神经网络

人工神经网络主要有两种类型：前馈和反馈人工神经网络。前馈神经网络是非递归网络。该层中的神经元仅与下一层中的神经元相连，并且它们不形成循环。在前馈中，信号仅在一个方向上流向输出层。

反馈神经网络包含循环。通过在网络中引入环路，信号可以双向传播。反馈周期会导致网络行为根据其输入随时间变化。反馈神经网络也称为递归神经网络。

激活函数

激活函数定义神经元的输出。激活函数使神经网络具有非线性和可表达性。有许多激活函数：

• 识别函数 通过激活函数 Identity，节点的输入等于输出。它完美拟合于潜在行为是线性（与线性回归相似）的任务。当存在非线性，单独使用该激活函数是不够的，但它依然可以在最终输出节点上作为激活函数用于回归任务。。
  
• 在 二元阶梯函数（Binary Step Function）中，如果Y的值高于某个特定值（称为阈值），则输出为True（或已激活），如果小于阈值，则输出为false（或未激活）。这在分类器中非常有用。
  
• S形函数 称为S形函数。逻辑和双曲正切函数是常用的S型函数。有两种：
  
• Sigmoid函数 是一种逻辑函数，其中输出值为二进制或从0到1变化。
  
• tanh函数 是一种逻辑函数，其输出值在-1到1之间变化。也称为双曲正切函数或tanh。
  
• ReLU函数又称为修正线性单元（Rectified Linear Unit），是一种分段线性函数，其弥补了sigmoid函数以及tanh函数的梯度消失问题。它是最常用的激活函数。对于x的负值，它输出0。
  

在R中实现神经网络

创建训练数据集

我们创建数据集。在这里，您需要数据中的两种属性或列：特征和标签。在上面显示的表格中，您可以查看学生的专业知识，沟通技能得分和学生成绩。因此，前两列（专业知识得分和沟通技能得分）是特征，第三列（学生成绩）是二进制标签。

#创建训练数据集
# 在这里，把多个列或特征组合成一组数据
test=data.frame(专业知识,沟通技能得分)让我们构建神经网络分类器模型。
首先，导入神经网络库，并通过传递标签和特征的参数集，数据集，隐藏层中神经元的数量以及误差计算来创建神经网络分类器模型。
``````
# 拟合神经网络
nn(成绩~专业知识+沟通技能得分, hidden=3,act.fct = "logistic",
                linear.output = FALSE)

这里得到模型的因变量、自变量、损失_函数、_激活函数、权重、结果矩阵（包含达到的阈值，误差，AIC和BIC以及每次重复的权重的矩阵）等信息：

$model.list
$model.list$response
[1] "成绩"
$model.list$variables
[1] "专业知识"     "沟通技能得分"
$err.fct
function (x, y) 
{
    1/2 * (y - x)^2
}
$act.fct
function (x) 
{
    1/(1 + exp(-x))
}
$net.result
$net.result[[1]]
            [,1]
[1,] 0.980052980
[2,] 0.001292503
[3,] 0.032268860
[4,] 0.032437961
[5,] 0.963346989
[6,] 0.977629865
$weights
$weights[[1]]
$weights[[1]][[1]]
           [,1]        [,2]       [,3]
[1,]  3.0583343  3.80801996 -0.9962571
[2,]  1.2436662 -0.05886708  1.7870905
[3,] -0.5240347 -0.03676600  1.8098647
$weights[[1]][[2]]
           [,1]
[1,]   4.084756
[2,]  -3.807969
[3,] -11.531322
[4,]   3.691784
$generalized.weights
$generalized.weights[[1]]
            [,1]       [,2]
[1,]  0.15159066 0.09467744
[2,]  0.01719274 0.04320642
[3,]  0.15657354 0.09778953
[4,] -0.46017408 0.34621212
[5,]  0.03868753 0.02416267
[6,] -0.54248384 0.37453006
$startweights
$startweights[[1]]
$startweights[[1]][[1]]
           [,1]        [,2]       [,3]
[1,]  0.1013318 -1.11757311 -0.9962571
[2,]  0.8583704 -0.15529112  1.7870905
[3,] -0.8789741  0.05536849  1.8098647
$startweights[[1]][[2]]
           [,1]
[1,] -0.1283200
[2,] -1.0932526
[3,] -1.0077311
[4,] -0.5212917
$result.matrix
                                  [,1]
error                      0.002168460
reached.threshold          0.007872764
steps                    145.000000000
Intercept.to.1layhid1      3.058334288
专业知识.to.1layhid1       1.243666180
沟通技能得分.to.1layhid1  -0.524034687
Intercept.to.1layhid2      3.808019964
专业知识.to.1layhid2      -0.058867076
沟通技能得分.to.1layhid2  -0.036766001
Intercept.to.1layhid3     -0.996257068
专业知识.to.1layhid3       1.787090472
沟通技能得分.to.1layhid3   1.809864672
Intercept.to.成绩          4.084755522
1layhid1.to.成绩          -3.807969087
1layhid2.to.成绩         -11.531321534
1layhid3.to.成绩           3.691783805

绘制神经网络

让我们绘制您的神经网络模型。

# 绘图神经网络
plot(nn)

创建测试数据集

创建测试数据集：专业知识得分和沟通技能得分

# 创建测试集
test=data.frame(专业知识,沟通技能得分)

预测测试集的结果

使用计算函数预测测试数据的概率得分。

## 使用神经网络进行预测
Pred$result

0.9928202080
0.3335543925
0.9775153014

现在，将概率转换为二进制类。

# 将概率转换为设置阈值0.5的二进制类别
pred <- ifelse(prob>0.5, 1, 0)
pred

1
0
1

预测结果为1,0和1。

利弊

神经网络更灵活，可以用于回归和分类问题。神经网络非常适合具有大量输入（例如图像）的非线性数据集，可以使用任意数量的输入和层，可以并行执行工作。

还有更多可供选择的算法，例如SVM，决策树和回归算法，这些算法简单，快速，易于训练并提供更好的性能。神经网络更多的是黑盒子，需要更多的开发时间和更多的计算能力。与其他机器学习算法相比，神经网络需要更多的数据。NN仅可用于数字输入和非缺失值数据集。一位著名的神经网络研究人员说：  “神经网络是解决任何问题的第二好的方法。最好的方法是真正理解问题。”

神经网络的用途

神经网络的特性提供了许多应用方面，例如：

• 模式识别： 神经网络非常适合模式识别问题，例如面部识别，物体检测，指纹识别等。
  
• 异常检测： 神经网络擅长异常检测，它们可以轻松检测出不适合常规模式的异常模式。
  
• 时间序列预测： 神经网络可用于预测时间序列问题，例如股票价格，天气预报。
  
• 自然语言处理： 神经网络在自然语言处理任务中提供了广泛的应用，例如文本分类，命名实体识别（NER），词性标记，语音识别和拼写检查。