我正在尝试使用R中针对“iris”数据集提供的“neuralnet”包实现一个简单的多层前馈神经网络。

我使用的代码如下-

library(neuralnet)
data(iris)

D <- data.frame(iris, stringsAsFactors=TRUE)

# create formula-
f <- as.formula(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width)

# convert qualitative variables to dummy (binary) variables-
m <- model.matrix(f, data = D)

# create neural network-
iris_nn <- neuralnet(f, data = m, hidden = 4, learningrate = 0.3)

现在我有两个问题-

1.）如何使用“隐藏”参数？根据手册的页面，它的说法是-

隐藏：指定每层中隐藏神经元（顶点）数量的整数向量

我应该如何提供整数的向量？比如说，如果我想在每层有4个神经元/感知器的1个隐藏层，或者如果我想在每层有5个神经元的3个隐藏层。

2.）最后一行代码给出了错误-

评估（预变量、数据、环境）中出错：未找到对象“物种”

如果删除“hidden”参数，此错误仍然存在。

我做错了什么？

编辑：添加行之后-

m <- model.matrix(f, data = D)

矩阵“m”不再包含我试图预测的“物种”变量/属性。

产量

str(D)

STR（D）'data.frame'： 150 obs. of 5变量：$Sepal.长度： num5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9...$Sepal。宽度： num3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1...花瓣。长度： num1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5...花瓣。宽度： num0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1...$物种：因子w/3水平"刚毛"，"杂色"，...：1 1 1 1 1 1 1 1 1 1...

我已经成功地用“nnet”编码了这个。张贴我的代码以供参考-

data(iris)
library(nnet)

# create formula-
f <- as.formula(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width)

# create a NN with hidden layer having 4 neurons/node and
# maximum number of iterations = 3
iris_nn <- nnet(f, data = iris, size = 4, maxit = 3)

# create a test data-
new_obs <- data.frame(Sepal.Length = 5.5, Sepal.Width = 3.1, Petal.Length = 1.4, Petal.Width = 0.4)

# make prediction-
predict(iris_nn, new_obs)   # gives percentage of which class it may belong
predict(iris_nn, new_obs, type = "class")   # gives the class instead of percentages of which 'class' this data type may belong to


# create a 'confusion matrix' to measure accuracy of model-
# rows are actual values and columns are predicted values-
# table(iris$Species, predict(iris_nn, iris[, 1:4], type = "class"))
cat("\n\nConfusion Matrix for # of iters = 3\n")
print(table(iris$Species, predict(iris_nn, iris[, 1:4], type = "class")))
cat("\n\n")

rm(iris_nn)

# setting 'maxit' to 1000, makes the model coverge-
iris_nn <- nnet(f, data = iris, size = 4, maxit = 1000)

# create a new confusion matrix to check model accuracy again-
cat("\n\nConfusion Matrix for # of iters = 1000\n")
print(table(iris$Species, predict(iris_nn, iris[, 1:4], type = "class")))
# table(iris$Species, predict(iris_nn, iris[, 1:4], type = "class"))


# to plot 'iris_nn' trained NN-
# library("NeuralNetTools")
# plotnet(iris_nn)

谢谢