【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
（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
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。
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。
