R语言如何实现神经网络？大海哥帮你搞定它！
点击蓝字 关注我们
小伙伴们大家好，我还是那个大海哥，今天大海哥突然看到了一条2016年的老新闻，当时可是轰动全球，很多小伙伴可能已经猜到了，没错，就是人机大战——AlphaGo对战围棋世界冠军李世石，谷歌旗下的AlphaGo以惊人的智慧战胜了世界冠军李世石。这一胜利并不仅仅是人工智能的胜利，更是神经网络技术的巅峰之作。
自神经网络产生以来，人们构建其模型大多都是使用python，而咱们生信的小伙伴们对于R语言会更在行，那很多小伙伴会发出疑问，R语言可以构建神经网络模型吗？大海哥可以肯定的说，当然！并且实现起来非常简单！那么实现之前，让我们先了解一下，神经网络是什么？
神经网络是一种受到人脑神经元启发的计算模型。它的工作方式就像人脑中的神经元相互连接，通过不断的学习和调整权重，神经网络能够自主地从数据中学习，理解复杂的模式和关系。正是因为神经网络的强大，AlphaGo才能够在围棋这个极其复杂的领域取得胜利。除了围棋，神经网络还广泛应用于自动驾驶技术。无人驾驶汽车需要不断地感知周围环境、做出决策并控制汽车行驶，这一切都离不开神经网络的帮助。通过大量的训练和数据，神经网络可以让自动驾驶汽车更加智能、安全地上路。总之，神经网络作为人工智能的核心，正在改变着我们的世界。它是未来的关键，也是我们需要密切关注和理解的重要概念。随着时间的推移，我们将继续深入探讨神经网络的奥秘，探索它如何引领着我们进入一个全新的智能化世界。
那么说了这么多，让我们开始吧！
首先我们需要了解一下神经网络的结构，在一个神经网络中通常会分成这样几层：
1、输入层（input layer）
2、隐藏层（hidden layer）
3、输出层（output layer）
今天大海哥使用的是官方的波士顿房价数据集，分析的目的就是通过神经网络构建模型来预测波士顿房价。首先我们来看一下数据样例。
该数据每行数据代表不同小区的不同特征，其中medv为房子平均价格，也就是本次分析的目标变量。数据共有500个样本，我们按8:2的比例划分训练集和测试集。接着让我们展开分析吧！library(nnet)library(MASS)library(caret)library(AMORE)#加载数据，数据来源于MASS包boston=MASS::Boston#数据标准化boston[,1:13] <- apply(boston[,1:13],2,scale)head(boston)
#划分训练集和测试集indexes = createDataPartition(boston$medv,p=0.8,list=F)train=boston[indexes,]test=boston[-indexes,]str(boston)
#构建网络，n.neurons表示输入的参数，以及隐藏层个数，及输出结果net<-newff(n.neurons=c(13,5,3,1),learning.rate.global=1e-4,momentum.global=0.05,error.criterium="LMS",Stao=NA,hidden.layer="tansig",output.layer="purelin",method="ADAPTgdwm")#训练模型result<-train(net,train[,1:13],train[,14],report=TRUE,show.step=100,n.shows=5)
#预测结果y<-sim(result$net,test[,1:13])#计算均方误差（模型评估指标）error<-sqrt(sum(y-test$medv)^2)#输出预测结果y
errordim(y)
#可以看到输出了一个99行的房价预测结果哦！#预测值与原始值的散点对比图plot(test[,14],test[,14],col="blue",pch="+")points(test[,14],y,col="red",pch="x")
点击“阅读原文”进入网址