【例1.3】以鸢尾花数据集（iris）为例，将鸢尾花数据分为两类：setosa、versico-lor。输入特征为花瓣长度与宽度。不使用包编写感知器R脚本。
（1）iris数据结构
＞str（iris）
′data.frame′：150 obs.of 5 variables：
$Sepal.Length：num 5.14.94.74.655.44.654.44.9…
$Sepal.Width：num 3.533.23.13.63.93.43.42.93.1…
$Petal.Length：num 1.41.41.31.51.41.71.41.51.41.5…
$Petal.Width：num 0.20.20.20.20.20.40.30.20.20.1…
$Species：Factor w/3 levels＂setosa＂，＂versicolor＂，…：1111
111111…
（2）建模
（3）可视化
#分类结果如图1.11所示
＞plot（Petal.Length～Petal.Width，xlim=c（0，3），ylim=c（0，8），
data=iris[iris$Species==＂virginica＂，]）
＞data1＜-iris[iris$Species==＂versicolor＂，]
＞points（data1$Petal.Width，data1$Petal.Length，col=2）
＞data2＜-iris[iris$Species==＂setosa＂，]
＞points（data2$Petal.Width，data2$Petal.Length，col=3）
＞x＜-seq（0，3，0.01）
＞y＜-x∗（-w[2]/w[3]）-w[1]/w[3]
＞lines（x，y，col=4）(www.xing528.com)
图1.11 分类结果图
这是运行了7次得到的结果。感兴趣的读者可以与支持向量机相比，表明神经网络的单层感知器分类不是那么的可信，有些弱。可以发现交叉验证结果并不理想。
＞plot（1：i，eps[1：i]，type=＂o＂） #每次迭代的平均绝对误差，如图1.12所示
【例1.4】例1.3续
使用nnet包创建单层FNN模型。
（1）加载使用的包和数据
＞library（nnet）； #安装nnet软件包
＞library（mlbench）； #安装mlbench软件包
（2）数据准备
随机选择半数观测作为训练集，剩下的作为测试集。
＞set.seed（1）； #设随机数种子
＞ir＜-rbind（iris3[，1]，iris3[，2]，iris3[，3]）
＞targets＜-class.ind（c（rep（＂s＂，50），rep（＂c＂，50），rep（＂v＂，50）））
＞samp＜-c（sample（1：50，25），sample（51：100，25），sample（101：150，25））
（3）建模
建模用到nnet包中的nnet函数，其调用格式为
构建只包含有3个结点的一个隐藏层神经网络。
（4）模型部署
适用于神经网络的部署方法为predict。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
