R的极客理想系列文章，涵盖了R的思想，使用，工具，创新等的一系列要点，以我个人的学习和体验去诠释R的强大。 R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。 要成为有理想的极客，我们不能停留在语法上，要掌握牢固的数学，概率，统计知识，同时还要有创新精神，把R语言发挥到各个领域。让我们一起动起来吧，开始R的极客理想。 关于作者： 张丹，分析师/程序员/Quant: R,Java,Nodejs blog: http://blog.fens.me email: bsspirit@gmail.com 转载请注明出处： http://blog.fens.me/r-nn-neuralnet/ 前言 “神经网络”，“深度学习”，已经不是纯学术的词了，有很多的算法已经落地为我们生活中的各种产品，比如人脸识别，智能客服，从图片中提词，AI作诗，AI作画，chatGPT，AphlaGo等，各种的AI算法应用出圈，打破很多行业壁垒，甚至机器比人类更有创造力，做的更好。这些AI应用出圈的背后，很大程度上是依赖于神经网络的高速发展。 跟上时代的脚步，我将用R语言详细地介绍神经网络建模和应用的过程，以动手操作为主。本文是神经网络的第一篇文章：用R语言10分钟上手神经网络模型neuralnet。 目录 神经网络介绍 neuralnet包介绍 神经元模型：零隐藏层 单层神经网络（感知机）：一个隐藏层 单层神经网络：多分类 两层神经网络（多层感知器）：多分类 多层神经网络（深度学习） 1. 神经网络介绍 神经网络，也称为人工神经网络 (ANN) 是机器学习的子集，并且是深度学习算法的核心。其名称和结构是受人类大脑的启发，模仿了生物神经元信号相互传递的方式。 人工神经网络 (ANN) 由节点层组成，包含一个输入层、一个或多个隐藏层和一个输出层。 每个节点也称为一个人工神经元，它们连接到另一个节点，具有相关的权重和阈值。 如果任何单个节点的输出高于指定的阈值，那么该节点将被激活，并将数据发送到网络的下一层。 否则，不会将数据传递到网络的下一层。 从单层神经网络（感知器）开始，到包含一个隐藏层的两层神经网络，再到多层的深度神经网络，一共有三次兴起过程。 在神经网络中，处理单元通常按层次分布于神经网络的输入层、隐层和输出层中，因此分别称之为输入节点、隐节点和输出节点，各自的功能如下所示： 输入节点：接受与处理训练数据集中的各输入变量值 隐藏点：实现非线性数据的线性变换 输出节点：给出输出变量的分类或预测结果 2. neuralnet包介绍 在R语言里面，有好几个包都支持神经网络模型，neuralnet包就一个常用包。 neuralnet包，安装过程很简单。 # 安装 > install.packages("neuralnet") # 加载 > library(neuralnet) # 设置工作路径 > setwd("C:/work/R/neural/neural_networks") neuralnet包中的，neuralnet()函数可用于神经网络的模型训练，是这个包中最核心的函数，neuralnet()函数参数很多，是需要我们仔细了解的。 …
Read more →