nnetを使う
library(nnet)
#irisをtestとtrainに分ける
samples <- sample(1:150,75)
iris.train <- iris[samples,]
iris.test <- iris[-samples,1:4]
actual_species <- iris[-samples,5]
iris.nnet <- nnet(Species~., size=3, decay=0.1,maxit=100,data=iris.train)
iris.nnet
結果は
a 4-3-3 network with 27 weights
inputs: Sepal.Length Sepal.Width Petal.Length Petal.Width
output(s): Species
options were - softmax modelling decay=0.1
モデルのオプションは、
sizeが中間層
decayが過学習抑制のための値
maxitが繰り返し回数
作ったモデルを図で確認する
library(NeuralNetTools)
plotnet(iris.nnet)
予測
予測値は本当にあっているのか比較して確かめる
pred_species <- round(predict(iris.nnet,iris.test))
colSums(pred_species)
table(actual_species)
maxitを10回で実行したとき
nnet(Species~., size=3, decay=0.1,maxit=10,data=iris.train)
# weights: 27
initial value 74.140168
iter 10 value 36.933697
final value 36.933697
stopped after 10 iterations
colSums(pred_species)
setosa versicolor virginica
28 37 6
table(actual_species)
actual_species
setosa versicolor virginica
27 16 32
100回のモデル
nnet(Species~., size=3, decay=0.1,maxit=100,data=iris.train)
# weights: 27
initial value 125.135244
iter 10 value 68.201740
iter 20 value 41.303200
iter 30 value 19.560457
iter 40 value 18.588992
iter 50 value 16.462453
iter 60 value 16.399883
final value 16.399882
converged
colSums(pred_species)
setosa versicolor virginica
27 14 33
table(actual_species)
actual_species
setosa versicolor virginica
27 16 32
60回くらいで収束してしまう。
一問missなので、なかなか良いモデルなのでは?
以上
ついでにneuralnetのパッケージも使ってみます
モデルの作成と図にする
library("neuralnet")
network = neuralnet(Species~., hidden=5, err.fct = "ce", linear.output = FALSE,data=iris.train)
plot(network)
pred_neuralnet <- round(predict(network, iris.test))
pred_neuralnet <- data.frame(setosa=pred_neuralnet[,1],versicolor=pred_neuralnet[,2],virginica=pred_neuralnet[,3])
colSums(pred_neuralnet)
table(actual_species)
結果の確認
colSums(pred_neuralnet)
setosa versicolor virginica
27 14 34
table(actual_species)
actual_species
setosa versicolor virginica
27 16 32
こちらもそこそこ予測できていそう。
今回の参照サイト
https://logics-of-blue.com/time-series-analysis-by-nnet/
https://www1.doshisha.ac.jp/~mjin/R/Chap_23/23.html