首页 理论教育 SA模型评估和可视化:使用SAENET包的R实现方法

SA模型评估和可视化:使用SAENET包的R实现方法

时间:2023-06-28 理论教育 版权反馈
【摘要】:使用SAENET包的SAENET.train函数对SA模型进行评估。>set.seed>n=nrow>train<=sample此时,对模型的评估已准备就绪。余下的代码把模型存储到R中fit对象。>fit<=SAENET.train每一层的输出可以通过输入fit[[n]]$X.output来查看,这里n是感兴趣的层。例如,查看第三层的两个结点的输出:>fit[[3]]$X.output图6.4绘制了观测的输出值,为了清晰起见,将第753项标注为观测值1,第597项标注为观测值2,…图6.4 第三层特性的可视化表示

SA模型评估和可视化:使用SAENET包的R实现方法

【例6.1】使用SAENET包的SAENET.train函数对SA模型进行评估。

(1)加载所需包和数据

978-7-111-57073-8-Chapter06-4.jpg

(2)数据准备

去掉性别属性,删除编码出错率高的观测值,并且将结果样本存储为R中矩阵对象data1。

>data$sex<=NULL #去掉性别属性

>data$height[data$height==0]=NA

>data<=na.omit(data)

>data1<=as.matrix(data)为了说明问题,只抽取10个观测值。

>set.seed(2016)

>n=nrow(data)

>train<=sample(1:n,10,FALSE)

此时,对模型的评估已准备就绪。在这个例子中,设计3个隐藏层,且结点数分别为5、4、2的模型{n.nodes=c(5,4,2)}。余下的代码把模型存储到R中fit对象。

>fit<=SAENET.train(X.train=data1[train,],

n.nodes=c(5,4,2),

unit.type="logistic",

lambda=1e-5,(www.xing528.com)

beta=1e-5,

rho=0.07,

epsilon=0.1,

max.iterations=100,

optim.method=c("BFGS"),

rel.tol=0.01,

rescale.flag=TRUE,

rescaling.offset=0.001)

每一层的输出可以通过输入fit[[n]]$X.output来查看,这里n是感兴趣的层(the Layer of Interest)。例如,查看第三层的两个结点的输出:

>fit[[3]]$X.output

978-7-111-57073-8-Chapter06-5.jpg

978-7-111-57073-8-Chapter06-6.jpg

图6.4绘制了观测的输出值,为了清晰起见,将第753项标注为观测值1,第597项标注为观测值2,…,第223项标注为观测值10。

978-7-111-57073-8-Chapter06-7.jpg

图6.4 第三层特性的可视化表示

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。

我要反馈