当输出为负数时，用插入符号训练nnet和avNNet模型

Question

我的问题是关于典型的前馈单隐层backprop神经网络，在package nnet中实现，并且使用在包装符号中进行了培训。

1. raw Y ~ raw X:预测输出是均匀地为零，其中：这是我说明问题用简单的回归示例，其中Y = sin(X) + small error有关this question但在NNET和尖包在R.

   上下文原料Y < 0。

2. scaled Y (to 0-1) ~ raw X：解决方案看起来很棒;看下面的代码。

的代码如下

library(nnet) 
X <- t(t(runif(200, -pi, pi))) 
Y <- t(t(sin(X)))   # Y ~ sin(X) 
Y <- Y + rnorm(200, 0, .05) # Add a little noise 
Y_01 <- (Y - min(Y))/diff(range(Y)) # Y linearly transformed to have range 0-1. 
plot(X,Y) 
plot(X, Y_01) 
dat <- data.frame(cbind(X, Y, Y_01)); names(dat) <- c("X", "Y", "Y_01") 
head(dat) 
plot(dat) 

nnfit1 <- nnet(formula = Y ~ X, data = dat, maxit = 2000, size = 8, decay = 1e-4) 
nnpred1 <- predict(nnfit1, dat) 
plot(X, nnpred1) 

nnfit2 <- nnet(formula = Y_01 ~ X, data = dat, maxit = 2000, size = 8, decay = 1e-4) 
nnpred2 <- predict(nnfit2, dat) 
plot(X, nnpred2) 

当使用插入符号train()，有一个预处理的选择，但它仅缩放输入。 train(..., method = "nnet", ...)似乎在使用原始值Y值;看下面的代码。

library(caret) 
ctrl <- trainControl(method = "cv", number = 10) 
nnet_grid <- expand.grid(.decay = 10^seq(-4, -1, 1), .size = c(8)) 
nnfit3 <- train(Y ~ X, dat, method = "nnet", maxit = 2000, 
      trControl = ctrl, tuneGrid = nnet_grid, preProcess = "range") 
nnfit3 
nnpred3 <- predict(nnfit3, dat) 
plot(X, nnpred3) 

当然，我可以线性变换Y变量（S）有一个积极的范围内，但后来我的预测将是错误的规模。虽然这只是一个小问题，但我想知道是否有一个更好的解决方案，用于在输出值为负值时使用插入符号训练nnet或avNNet模型。

Answer 1

这是回答跨用户验证heretopepo

他们的答案的相关部分是：

由于Y是大致介于-1和1，你也应该在你的nnet使用linout = TRUE和train来电。