いいえマイクロチャネル世間の注目ません：オンライン小さな道
ウォッチCSDNブログ：スティーブンCHINGのブログを
neuralnet（）：BPネットワークを構築
ニューラルネットワークのビジュアルグラフィック変数の重要度：gwplot機能
計算機能：予測するニューラルネットワークを使用して
NNET機能：BPネットワークを確立するために、
> Setwd（ 'G：\\ R言語\\ \\半分ジュニアデータマイニング：R実用的言語\\'）
>ライブラリ（ "neuralnet"）
> BuyOrNot <-read.table（「G：\\ R＆LT言語\\ \\ R＆後半にアプリケーションおよびデータをマイニングLTジュニア言語データ\\消費決定が」.txtで、ヘッダ= TRUE）
>ヘッド（BuyOrNot）
購入年齢性別所得
。1 41 2 1 0
2 47 0 2 1
3 1 41は。1 2
。4 39 2. 1. 1
。5 1 0 32 2
。6 0 32 2 1
>ニューラルネットワークの構築########## neurealnet
> set.seed（12345）
> BPnet1 <-neuralnet（購入〜+年齢性別収入+、データ= BuyOrNot、隠れ= 2、err.fct = "CE"、linear.output = FALSE）
>＃接続重み、およびその他の情報
>＃隠れ層、2つの隠しノード。15076の反復回数（ステップ）
> $ BPnet1結果。
エラー2.707708e + 02
reached.threshold 9.283383e-03
のステップ1.507600e + 04
Intercept.to.1layhid1 8.516222e + 01
Age.to.1layhid1 8.915386e-01
Gender.to.1layhid1 -4.529214e + 01
Income.to.1layhid1 -2.988069e + 01
Intercept.to.1layhid2 2.275544e + 00
Age.to.1layhid2 -3.665990e + 00
Gender.to.1layhid2 2.227952e + 01
Income.to.1layhid2 1.073472e + 01
Intercept.to.Purchase -1.298572e -01
1layhid1.to.Purchase -1.195226e + 00
1layhid2.to.Purchase 8.741901e + 02
>＃接続重みがリスト
> BPnet1 $重み
[[1]]
[[1]] [[1]]
[1] [2]
[1] 85.1622178 2.275544
[2,1] 0.8915386 -3.665990
[3] - 45.2921436 22.279522
[4] -29.8806883 10.734723
[1] [2]
[1]
[1] -0.1298572
[2,1] -1.1952260
[3] 874.1900845
> ########重みパラメータの可視化
>プロット（BPnet1）
#######入力変数と可視化の重要性
＃重み付けは年齢が、弱い変数の重要度はほぼゼロであることがわかる
ヘッド（BPnet1 $のgeneralized.weights [[1]]）>
[1] [2] [3]
[1] -0.184425690 9.36923561 6.18118700
[2,1] 0.07347532 -0.001446301 0.04847404
[3] -0.184425690 9.36923561 6.18118700
[4] 12.61695365 -0.248354346 8.32381137
[5] -0.001215887 0.06176978 0.04075152
[6] -0.001215887 0.06176978 0.04075152
> PAR（mfrow = C（2、 2））
> gwplot（BPnet1、selected.covariate = "年齢"）
> gwplot（BPnet1、selected.covariate = "性別"）
> gwplot（BPnet1、selected.covariate = "利益"）
> ##########不同输入变量水平组合下的预测
> newData<-matrix(c(39,1,1,39,1,2,39,1,3,39,2,1,39,2,2,39,2,3),nrow=6,ncol=3,byrow=TRUE)
> new.output<-compute(BPnet1,covariate=newData)
> new.output$net.result
[,1]
[1,] 0.2099738
[2,] 0.2099739
[3,] 0.4675811
[4,] 0.3607890
[5,] 0.4675812
[6,] 0.4675812
可以看出女性比男性的购买率高；高收入购买率高；
> ############确定概率分割值
> library("ROCR")
> detach("package:neuralnet")
> summary(BPnet1$net.result[[1]])
V1
Min. :0.2100
1st Qu.:0.2100
Median :0.4676
Mean :0.3759
3rd Qu.:0.4676
Max. :0.9867
> pred<-prediction(predictions=as.vector(BPnet1$net.result),labels=BPnet1$response)
> par(mfrow=c(2,1))
> perf<-performance(pred,measure="tpr",x.measure="fpr")
> plot(perf,colorize=TRUE,print.cutoffs.at=c(0.2,0.45,0.46,0.47))
> perf<-performance(pred,measure="acc")
> plot(perf)
> Out<-cbind(BPnet1$response,BPnet1$net.result[[1]])
> Out<-cbind(Out,ifelse(Out[,2]>0.468,1,0))
> (ConfM.BP<-table(Out[,1],Out[,3]))
0 1
0 268 1
1 161 1
> (Err.BP<-(sum(ConfM.BP)-sum(diag(ConfM.BP)))/sum(ConfM.BP))
[1] 0.3758701
> library("nnet")
> set.seed(1000)
> (BPnet2<-nnet(Purchase~Age+Gender+Income,data=BuyOrNot,size=2,entropy=TRUE,abstol=0.01))
# weights: 11
initial value 287.993985
final value 285.324638
converged
a 3-2-1 network with 11 weights
inputs: Age Gender Income
output(s): Purchase
options were - entropy fitting
> predict(BPnet2,BuyOrNot,type="class")
> set.seed(1000)
> library("neuralnet")
> BPnet3<-neuralnet(Purchase~Age+Gender+Income,data=BuyOrNot,
+ algorithm="backprop",learningrate=0.01,hidden=2,err.fct="ce",linear.output=FALSE)
