理解nnet函数的输出

我是神经网络的新手，所以对于我的天真问题感到抱歉。我想了解nnet函数的输出。我正在使用此功能执行多类别分类。理解nnet函数的输出

特别是，我有一个数据集，包含216个主题，6个变量和一个表示类的类（类是三个）。

SRT_LTS_1 SRT_LTS_2 SRT_LTS_3 SRT_LTS_4 SRT_LTS_5 SRT_LTS_6 SRT_Recall_D_tot Classe 
DATSANI01 1.386294 1.609438 2.079442 2.302585 2.397895 2.397895   2.564949  2 
DATSANI02 1.945910 2.079442 2.079442 2.197225 2.302585 2.302585   2.079442  2 
DATSANI03 2.079442 2.302585 2.302585 2.397895 2.397895 2.397895   2.397895  2 
DATSANI04 1.609438 2.079442 2.397895 2.397895 2.397895 2.397895   2.397895  2 
DATSANI05 2.197225 2.484907 2.484907 2.564949 2.564949 2.564949   2.484907  2 
DATSANI06 2.079442 2.397895 2.484907 2.564949 2.564949 2.564949   2.564949  2

在训练集和测试测试数据集的分开后，我已经修改了使用class.ind功能，面对多类分类问题的数据框，就像一个二元组合：

nnet_trainData_SRT2$Y = class.ind(nnet_trainData_SRT2$Classe) 

nnet_trainData_SRT2$Classe=NULL

所以，现在，我的数据帧是这样的：

SRT_LTS_1 SRT_LTS_2 SRT_LTS_3 SRT_LTS_4 SRT_LTS_5 SRT_LTS_6 SRT_Recall_D_tot Y.0 Y.1 Y.2 
DATNPS_209 1.791759 2.079442 2.397895 2.564949 2.564949 2.564949   2.564949 0 1 0 
DATNPS_108 2.197225 2.564949 2.564949 2.564949 2.564949 2.564949   2.564949 0 1 0 
DATNPS_234 2.197225 2.397895 2.484907 2.564949 2.564949 2.564949   2.564949 0 1 0 
DATNPS_191 1.609438 1.791759 2.079442 2.197225 2.302585 2.302585   1.945910 0 1 0 
DATNPS_126 2.397895 2.484907 2.484907 2.564949 2.564949 2.564949   2.564949 0 1 0 
DATSANI22 1.386294 1.945910 2.302585 2.484907 2.564949 2.564949   2.564949 0 0 1

其中1和0分别表示该子项是否在三个类之一中。

然后，我用NNET功能：

model_nnSRT2<-nnet(Y~ SRT_LTS_1 +SRT_LTS_2+ SRT_LTS_3 +SRT_LTS_4+ SRT_LTS_5 +SRT_LTS_6, nnet_trainData_SRT2, size=2, decay=0.1,softmax=TRUE,entropy=TRUE).

但是，当我得到 model_nnSRT2$fitted.values我不明白这个函数的输出：

    0   1   2 
    DATNPS_209 0.01699072 0.827037151 0.1559721302 
    DATNPS_108 0.01789546 0.771608777 0.2104957604 
    DATNPS_234 0.01645185 0.794800012 0.1887481349 
    DATNPS_191 0.05037927 0.839477193 0.1101435346 
    DATNPS_126 0.01603337 0.788266382 0.1957002460 
    DATSANI22 0.01740139 0.836014235 0.1465843749 
    DATNPS_34 0.02802254 0.791518861 0.1804586001 
    DATNPS_117 0.05310552 0.835370232 0.1115242473 
    DATNPS_22 0.01726448 0.799919291 0.1828162304 
    DATNPS_189 0.01861498 0.775974194 0.2054108222 
    DATNPS_228 0.98459076 0.014816869 0.0005923730 
    DATNPS_255 0.01770538 0.788957760 0.1933368566

和model_nnSRT2$residuals。

     0   1    2 
DATNPS_209 -0.016990718 0.172962849 -0.1559721302 
DATNPS_108 -0.017895462 0.228391223 -0.2104957604 
DATNPS_234 -0.016451854 0.205199988 -0.1887481349 
DATNPS_191 -0.050379272 0.160522807 -0.1101435346 
DATNPS_126 -0.016033372 0.211733618 -0.1957002460 
DATSANI22 -0.017401390 -0.836014235 0.8534156251 
DATNPS_34 -0.028022539 0.208481139 -0.1804586001 
DATNPS_117 -0.053105521 0.164629768 -0.1115242473 
DATNPS_22 -0.017264479 0.200080709 -0.1828162304 
DATNPS_189 -0.018614984 0.224025806 -0.2054108222 
DATNPS_228 0.015409242 -0.014816869 -0.0005923730 
DATNPS_255 -0.017705384 0.211042240 -0.1933368566

这个连续数字是什么意思？为什么我在model_nnSRT2$fitted.values中没有0或1的输出？这个函数如何计算残差？

来源

2017-12-18 Katherina

不确定残差，但是您的第一个输出表明您的每个样本属于每个类的概率（注意它们总计为每行1）。 – desertnaut

我其实一般没有R的经验，但从神经网络的角度来看，输出似乎很合理。

神经网络中的一个类实际上是一个神经元，它根据它的激活函数提供概率。在你的情况下，有三个（0-2）。因此，看起来你的网络为每个神经元（或类）输出某种概率。您可以通过总结输出来看到这一点。它们相当于每个样本一个。这显示了网络在特定样本上的表现如何。例如，如果你的样本属于一个特定的类，那么相关的神经元应该有一个尽可能靠近一个的输出，其他的输出为零。

残差只是预测值和目标值之间的差异。您可以通过检查这些值来验证这一点。所以这意味着残差必须尽可能小。从您的数据中可以看出，遗漏样本的残差非常高。

来源

2017-12-18 12:31:54

理解nnet函数的输出

回答

相关问题