如何使用神经网络训练R中的大数据集神经网络？

Question

我在r中有data.table，其中有150 000行。 我使用了9个功能，它的训练时间超过30分钟，我没等多久。 也尝试了500行（需要0.2秒），而5000则需要（71.2秒）。 那么我应该如何用所有数据训练我的模型，或者你可以给我任何其他建议吗？

这里编译日志：

train1 <- train[1:5000,]+1
> f1 = as.formula("target~ v1+ v2+ v3+ v4+ v5+ v6+ v7+ v8+ v9")
> a=Sys.time()
> nn <-neuralnet(f1,data=train1, hidden = c(4,2), err.fct = "ce", linear.output = TRUE)
Warning message:
'err.fct' was automatically set to sum of squared error (sse), because the response is not binary 
> b=Sys.time()
> difftime(b,a,units = "secs")
Time difference of 71.2000401 secs

Answer 1

根据我的经验，这是预期的，神经网络中涉及很多计算。我个人有一个用Python写的（2个隐藏层），详细包括动量项，我有大约38,000个模式，56个输入和3个输出。将它们分成8,000个块大约需要10分钟才能运行，并且在不到一周的时间内就能让我满意。

整套38,000有一个更大的隐藏节点来存储所有的模式，花了6个多小时来完成一个周期和超过3个月的学习。神经网络是一个非常强大的工具，但它的价格取决于我的经验，其他人可能有更好的实施，但我所看到的所有分类算法的比较，总是提到学习时间很重要。