Question

我正在设计一种神经网络模型，该模型使用有限的更多扩展输入数据（如纹理，体积密度和一个或两个保水性）来预测van genuchten保水参数（theta_r，thera_s，alpha，n）的估计。调查R项目中的神经网络我发现了RSNNS包，我创建并训练了多个多层感知器（MLP），并调整了隐藏单元的数量和学习速率。以这些模型的训练和测试RMSE为特征的一般性能非常差且随机，实际上，我使用了对数字和n参数的对数变换值来避免偏差并考虑它们的近似对数正态分布，但这没有多大帮助:(我被推荐使用nnet和caret包但我在修改代码时遇到了麻烦，我不知道我做错了什么，有什么建议吗？

#input dataset
basic <- read.table(url("https://dl.dropboxusercontent.com/s/m8qe4k5swz1m3ij/basic.txt?dl=1&token_hash=AAH6Z3d6fWTLoQZYi04Ys72sdufdERE5gm4v7eF0cgMlkQ"), header=T, sep=" ")
#output dataset
fitted <- read.table(url("https://dl.dropboxusercontent.com/s/rjx745ej80osbbu/fitted.txt?dl=1&token_hash=AAHP1zcPQyw4uSe8rw8swVm3Buqe3TP7I1j-4_SOeeUTvw"), header=T, sep=" ")

# Use log-transformed values of alpha and n output parameters
fitted$alpha <- log(fitted$alpha)
fitted$n <- log(fitted$n)


#Fit model with caret package
library(caret)
model <- train(x = basic, y = fitted, method='nnet', linout=TRUE, trace = FALSE,
               #Grid of tuning parameters to try:
               tuneGrid=expand.grid(.size=c(1,5,10),.decay=c(0,0.001,0.1)))

Answer 1

caret只是它调用的算法的包装器，因此您可以在算法中指定任何参数，即使它不是插入符调优网格中的选项。这是通过插入符号train()函数中的“...”来完成的，这基本上就是说你可以将任何额外的参数传递给你正在调用的方法。我不确定你想要调整哪些参数来调用你的nnet（我访问你的dropbox数据时出错）所以这里有一个简单的例子，将特定的值传递给maxit和Hess：

> library(caret)
> m1 <- train(Species~.,data=iris, method='nnet', linout=TRUE, trace = FALSE,trControl=trainControl("cv"))
> #this time pass in values for maxint and Hess
> m2 <- train(Species~.,data=iris, method='nnet', linout=TRUE, trace = FALSE,trControl=trainControl("cv"),maxint=10,Hess=T)
> m1$finalModel$call
nnet.formula(formula = modFormula, data = data, size = tuneValue$.size, 
    decay = tuneValue$.decay, linout = TRUE, trace = FALSE)
> m2$finalModel$call
nnet.formula(formula = modFormula, data = data, size = tuneValue$.size, 
    decay = tuneValue$.decay, linout = TRUE, trace = FALSE, maxint = 10, 
    Hess = ..4)

caret :: train：指定训练数据参数

1 个答案: