Question

所以我读过一篇使用神经网络来建模数据集的论文，该数据集类似于我目前正在使用的数据集。我有160个描述符变量，我想模拟160个案例（回归建模）。我读过的论文使用了以下参数： -

'对于每次拆分，为10个单独的列车测试折叠中的每一个开发了一个模型。使用具有33个输入神经元和16个隐藏神经元的三层反向传播网，具有在线权重更新，0.25学习率和0.9动量。对于每个折叠，从总共50个不同的随机初始权重起始点进行学习，并且允许网络迭代学习时期，直到验证集的平均绝对误差（MAE）达到最小值。 “

现在他们使用了名为Emergent的专业软件来做到这一点，这是一个非常专业的神经元网络模型软件。但是，正如我之前在R中所做的那样，我必须坚持下去。所以我正在使用插入符号训练函数来进行10次交叉折叠验证，使用神经网络包进行10次。我做了以下事情： -

cadets.nn <- train(RT..seconds.~., data = cadet, method = "neuralnet", algorithm = 'backprop', learningrate = 0.25, hidden = 3, trControl = ctrl, linout = TRUE)

我这样做是为了尝试将参数调整为与论文中使用的参数一致，但是我收到以下错误消息： -

  layer1 layer2 layer3 RMSE Rsquared RMSESD RsquaredSD
1      1      0      0  NaN      NaN     NA         NA
2      3      0      0  NaN      NaN     NA         NA
3      5      0      0  NaN      NaN     NA         NA
Error in train.default(x, y, weights = w, ...) : 
  final tuning parameters could not be determined
In addition: There were 50 or more warnings (use warnings() to see the first 50)

你知道我做错了什么吗？当我执行nnet时，它可以工作，但我无法调整参数，使其类似于我试图模仿的论文中使用的参数。

这就是我在警告（）中得到的五十次： -

1: In eval(expr, envir, enclos) :
  model fit failed for Fold01.Rep01: layer1=1, layer2=0, layer3=0 Error in neuralnet(form, data = data, hidden = nodes, ...) : 
  formal argument "hidden" matched by multiple actual arguments

2: In data.frame(..., check.names = FALSE) :
  row names were found from a short variable and have been discarded
3: In eval(expr, envir, enclos) :
  model fit failed for Fold01.Rep01: layer1=3, layer2=0, layer3=0 Error in neuralnet(form, data = data, hidden = nodes, ...) : 
  formal argument "hidden" matched by multiple actual arguments

4: In data.frame(..., check.names = FALSE) :
  row names were found from a short variable and have been discarded
5: In eval(expr, envir, enclos) :
  model fit failed for Fold01.Rep01: layer1=5, layer2=0, layer3=0 Error in neuralnet(form, data = data, hidden = nodes, ...) : 
  formal argument "hidden" matched by multiple actual arguments

谢谢！

Answer 1

从错误消息中，'hidden'参数未正确匹配。查看documentation，method = "neuralnet"，layer1, layer2, layer3只有三个培训参数。查看链接并使用另一种方法，您可以在其中指定所需的参数。

R中的神经网络使用插入符号包

1 个答案: