我是神经网络的新手，我对使用nnet包进行分类有疑问。
我的数据是数字和分类变量的混合。我想通过使用nnet和函数调用（例如
）来赢得胜利预测nnet(WL~., data=training, size=10)
但是这给出了与使用仅包含变量的数字版本的数据帧（即将所有因子转换为数字（除了我的预测WL））不同的结果。
有人可以向我解释这里发生了什么吗？我想nnet正在解释不同的变量，但我想了解发生了什么。我很欣赏它的困难，没有任何数据来重现问题，但我只是在看一个关于神经网络如何使用nnet进行拟合的高级解释。我无法在任何地方找到它。非常感谢。
str(training)
'data.frame': 1346 obs. of 9 variables:
$ WL : Factor w/ 2 levels "win","lose": 2 2 1 1 NA 1 1 2 2 2 ...
$ team.rank : int 17 19 19 18 17 16 15 14 14 16 ...
$ opponent.rank : int 14 12 36 16 12 30 11 38 27 31 ...
$ HA : Factor w/ 2 levels "A","H": 1 1 2 2 2 2 2 1 1 2 ...
$ comp.stage : Factor w/ 3 levels "final","KO","league": 3 3 3 3 3 3 3 3 3 3 ...
$ days.since.last.match: num 132 9 5 7 14 7 7 7 14 7 ...
$ days.to.next.match : num 9 5 7 14 7 9 7 9 7 8 ...
$ comp.last.match : Factor w/ 5 levels "Anglo-Welsh Cup",..: 5 5 5 5 5 5 3 5 3 5 ...
$ comp.next.match : Factor w/ 4 levels "Anglo-Welsh Cup",..: 4 4 4 4 4 3 4 3 4 3 ...
VS
str(training.nnet)
'data.frame': 1346 obs. of 9 variables:
$ WL : Factor w/ 2 levels "win","lose": 2 2 1 1 NA 1 1 2 2 2 ...
$ team.rank : int 17 19 19 18 17 16 15 14 14 16 ...
$ opponent.rank : int 14 12 36 16 12 30 11 38 27 31 ...
$ HA : num 1 1 2 2 2 2 2 1 1 2 ...
$ comp.stage : num 3 3 3 3 3 3 3 3 3 3 ...
$ days.since.last.match: num 132 9 5 7 14 7 7 7 14 7 ...
$ days.to.next.match : num 9 5 7 14 7 9 7 9 7 8 ...
$ comp.last.match : num 5 5 5 5 5 5 3 5 3 5 ...
$ comp.next.match : num 4 4 4 4 4 3 4 3 4 3 ...
答案 0 :(得分：13)
您正在寻找的差异可以通过一个非常小的例子来解释：
fit.factors <- nnet(y ~ x, data.frame(y=c('W', 'L', 'W'), x=c('1', '2' , '3')), size=1)
fit.factors
# a 2-1-1 network with 5 weights
# inputs: x2 x3
# output(s): y
# options were - entropy fitting
fit.numeric <- nnet(y ~ x, data.frame(y=c('W', 'L', 'W'), x=c(1, 2, 3)), size=1)
fit.numeric
# a 1-1-1 network with 4 weights
# inputs: x
# output(s): y
# options were - entropy fitting
在R中拟合模型时，因子变量实际上是split out into several indicator/dummy variables。
因此，因子变量x = c('1', '2', '3')实际上分为三个变量：x1，x2，x3，其中一个变量值1其他人持有0的价值。此外，由于因素{1, 2, 3}是详尽无遗的，因此x1，x2，x3中的一个（且仅一个）必须为1。因此，变量x1，x2，x3自x1 + x2 + x3 = 1以来不是独立的。因此，我们可以删除第一个变量x1，并在模型中仅保留x2和x3的值，并且如果1和x2 == 0都认为级别为x2 == 0 nnet。
这就是您在x的输出中看到的内容;当length(levels(x)) - 1是一个因素时，实际上x 输入到神经网络，如果x是一个数字，那么神经网络只有一个输入网络是nnet。
大多数R回归函数（randomForest，glm，gbm，factors等）在内部执行从因子级别到虚拟变量的映射，并且我需要将其视为用户。
现在应该清楚使用带有numbers的数据集和带有factors的数据集替换numbers之间的区别。如果您转换为dummy，那么您就是：
这确实会导致一个稍微简单的模型（变量较少，因为我们不需要为每个级别设置{{1}}个变量），但通常不是正确的事情。