Question

这是我的data.frame

的一个小样本

    naiveBayesPrediction knnPred5 knnPred10 dectreePrediction logressionPrediction correctClass
1                non-bob        2         2           non-bob    0.687969711847463            1
2                non-bob        2         2           non-bob     0.85851872253358            1
3                non-bob        1         1           non-bob    0.500470892627383            1
4                non-bob        1         1           non-bob     0.77762739066215            1
5                non-bob        1         2           non-bob    0.556431439357365            1
6                non-bob        1         2           non-bob    0.604868385598237            1
7                non-bob        2         2           non-bob    0.554624186182919            1

我已经考虑了一切

   'data.frame':    505 obs. of  6 variables:
     $ naiveBayesPrediction: Factor w/ 2 levels "bob","non-bob": 2 2 2 2 2 2 2 2 2 2 ...
     $ knnPred5            : Factor w/ 2 levels "1","2": 2 2 1 1 1 1 2 1 2 1 ...
     $ knnPred10           : Factor w/ 2 levels "1","2": 2 2 1 1 2 2 2 1 2 2 ...
     $ dectreePrediction   : Factor w/ 1 level "non-bob": 1 1 1 1 1 1 1 1 1 1 ...
     $ logressionPrediction: Factor w/ 505 levels "0.205412826873861",..: 251 415 48 354 92 145 90 123 28 491 ...
     $ correctClass        : Factor w/ 2 levels "1","2": 1 1 1 1 1 1 1 1 1 1 ...

然后我尝试使用neuralnet

进行整合

ensembleModel <- neuralnet(correctClass ~ naiveBayesPrediction + knnPred5 + knnPred10 + dectreePrediction + logressionPrediction, data=allClassifiers[ensembleTrainSample,])

神经元[[i]]％*％权重[[i]]出错：需要数字/复数矩阵/矢量参数

然后我试着加入矩阵

m <- model.matrix( correctClass ~ naiveBayesPrediction + knnPred5 + knnPred10 + dectreePrediction + logressionPrediction, data = allClassifiers )

contrasts<-中的错误（*tmp*，值= contr.funs [1 + isOF [nn]]）：
对比只能适用于具有2级或更多级别的因素

我认为这必须与一个功能有关＆＃34; decistreePrediction＆＃34;只有1级，但它只找到2个可能结果中的一个级别（bob或非bob），所以我不知道从那里去哪里。

Answer 1

neuralnet功能需要＆＃39;变量＆＃39;为numeric或complex值，因为它正在进行矩阵乘法，需要numeric或complex个参数。这在返回的错误中非常清楚：

Error in neurons[[i]] %*% weights[[i]] : 
  requires numeric/complex matrix/vector arguments

这也反映在以下简单的例子中。

mat <- matrix(sample(c(1,0), 9, replace=TRUE), 3)
fmat <- mat
mode(fmat) <- "character"

# no error
mat %*% mat

# error
fmat %*% fmat
Error in fmat %*% fmat : requires numeric/complex matrix/vector arguments

作为实际功能的快速演示，我将使用infert数据集，该数据集在包中用作演示。

library(neuralnet)
data(infert)

# error
net.infert <- neuralnet(case~as.factor(parity)+induced+spontaneous, infert)
Error in neurons[[i]] %*% weights[[i]] : 
  requires numeric/complex matrix/vector arguments

# no error
net.infert <- neuralnet(case~parity+induced+spontaneous, infert)

您可以将correctClass保留为factor，因为无论如何它都会转换为虚拟数字变量，但最好也将其转换为相应的二进制表示。

我给你的建议是：

将您的因子转换为相应的二进制表示（即0＆1;和1＆＃39;）
将logressionPrediction保留为数字
省略只有1个值的变量。包括这些变量是完全多余的，因为不能用它们完成学习。

R - 与神经网络的整体？

1 个答案: