我的问题是典型的前馈单隐藏层backprop神经网络，在包nnet中实现，并在包插入符号中使用train()进行训练。这与this question有关，但在R。
我用Y = sin(X) + small error：
raw Y ~ raw X:预测的输出在原始Y < 0中均为零。
scaled Y (to 0-1) ~ raw X：解决方案看起来很棒;见下面的代码。
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)
在插入符号中使用train()时，有一个preProcess选项，但它只会缩放输入。 train(..., method = "nnet", ...)似乎使用原始Y值;见下面的代码。
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，我可以线性转换Y变量（s）以获得正范围，但之后我的预测将是错误的。虽然这只是一个小问题，但我想知道当输出具有负值时，是否有更好的解决方案来训练nnet或avNNet模型。