Используя nnet для предсказания, я делаю это правильно?

Я все еще довольно новичок в методах R и AI/ML. Я хотел бы использовать нейронную сеть для предсказания, и поскольку я новичок, мне просто хотелось бы посмотреть, так ли это должно быть сделано.

В качестве тестового примера я предсказываю значения sin(), основанные на двух предыдущих значениях. Для обучения я создаю кадр данных с y = sin(x), x1 = sin(x-1), x2 = sin(x-2), затем использую формулу y ~ x1 + x2.

Кажется, что это работает, но мне просто интересно, правильно ли это сделать, или если есть более идиоматический способ.

Это код:

require(quantmod) #for Lag()
requre(nnet)
x <- seq(0, 20, 0.1)
y <- sin(x)
te <- data.frame(y, Lag(y), Lag(y,2))
names(te) <- c("y", "x1", "x2")
p <- nnet(y ~ x1 + x2, data=te, linout=TRUE, size=10)
ps <- predict(p, x1=y)
plot(y, type="l")
lines(ps, col=2)

Спасибо

[править]

Это лучше для прогноза?

t2 <- data.frame(sin(x), Lag(sin(x)))
names(t2) <- c("x1", "x2")
vv <- predict(p, t2)
plot(vv)

Думаю, мне хотелось бы видеть, что nnet действительно работает, глядя на его предсказания (которые должны аппроксимировать волну sin).

Ответы

Ответ 1

Мне действительно нравится пакет caret, так как он обеспечивает приятный унифицированный интерфейс для различных моделей, таких как nnet. Кроме того, он автоматически настраивает гиперпараметры (например, size и decay) с использованием перекрестной проверки или повторной выборки начальной загрузки. Недостатком является то, что вся эта повторная выборка занимает некоторое время.

#Load Packages
require(quantmod) #for Lag()
require(nnet)
require(caret)

#Make toy dataset
y <- sin(seq(0, 20, 0.1))
te <- data.frame(y, x1=Lag(y), x2=Lag(y,2))
names(te) <- c("y", "x1", "x2")

#Fit model
model <- train(y ~ x1 + x2, te, method='nnet', linout=TRUE, trace = FALSE,
                #Grid of tuning parameters to try:
                tuneGrid=expand.grid(.size=c(1,5,10),.decay=c(0,0.001,0.1))) 
ps <- predict(model, te)

#Examine results
model
plot(y)
lines(ps, col=2)

Он также предсказывает в надлежащем масштабе, поэтому вы можете напрямую сравнивать результаты. Если вас интересуют нейронные сети, вы также должны взглянуть на пакеты neuralnet и RSNNS. caret теперь может настраивать модели nnet и neuralnet, но еще не имеет интерфейса для RSNNS.

/edit: caret теперь имеет интерфейс для RSNNS. Оказывается, если вы отправите письмо разработчику пакета и попросите добавить модель к caret, он обычно это сделает!

/edit: caret также теперь поддерживает байесовскую регуляризацию для нейронных сетей с прямой связью из пакета brnn. Кроме того, теперь карет теперь упрощает определение собственных пользовательских моделей, чтобы взаимодействовать с любым пакетом нейронных сетей, который вам нравится!