13

我正在尝试使用神经网络包构建神经网络，但遇到了一些麻烦。我的nnet包裹很成功，但没有运气neuralnet。我已经阅读了整个文档包并且找不到解决方案，或者我无法发现它。

我正在使用的训练命令是

nn<-neuralnet(V15 ~ V1 + V2 + V3 + V4 + V5 + V6 + V7 + V8 + V9 + V10 + V11 + V12 + V13 + V14,data=test.matrix,lifesign="full",lifesign.step=100,hidden=8)

和预测

result<- compute(nn,data.matrix)$net.result

训练比 nnet 训练花费的时间要长得多。我尝试使用与nnet（反向传播而不是弹性反向传播）相同的算法，但什么也没改变，也改变了激活函数（和linear.output=F）以及几乎所有其他东西，结果没有改善。预测值都是一样的。我不明白为什么 nnet 对我有用，而 nnetneuralnet却不行。

我真的可以使用一些帮助，我（缺乏）对这两件事（神经网络和 R）的理解可能是原因，但找不到原因。

我的数据集来自UCI。我想使用神经网络进行二元分类。数据样本为：

25,Private,226802,11th,7,Never-married,Machine-op-inspct,Own-child,Black,Male,0,0,40,United-States,<=50K.
38,Private,89814,HS-grad,9,Married-civ-spouse,Farming-fishing,Husband,White,Male,0,0,50,United-States,<=50K.
28,Local-gov,336951,Assoc-acdm,12,Married-civ-spouse,Protective-serv,Husband,White,Male,0,0,40,United-States,>50K.
44,Private,160323,Some-college,10,Married-civ-spouse,Machine-op-inspct,Husband,Black,Male,7688,0,40,United-States,>50K.
18,?,103497,Some-college,10,Never-married,NA,Own-child,White,Female,0,0,30,United-States,<=50K.
34,Private,198693,10th,6,Never-married,Other-service,Not-in-family,White,Male,0,0,30,United-States,<=50K.
29,?,227026,HS-grad,9,Never-married,?,Unmarried,Black,Male,0,0,40,United-States,<=50K.
63,Self-emp-not-inc,104626,Prof-school,15,Married-civ-spouse,Prof-specialty,Husband,White,Male,3103,0,32,United-States,>50K.
24,Private,369667,Some-college,10,Never-married,Other-service,Unmarried,White,Female,0,0,40,United-States,<=50K.
55,Private,104996,7th-8th,4,Married-civ-spouse,Craft-repair,Husband,White,Male,0,0,10,United-States,<=50K.
65,Private,184454,HS-grad,9,Married-civ-spouse,Machine-op-inspct,Husband,White,Male,6418,0,40,United-States,>50K.
36,Federal-gov,212465,Bachelors,13,Married-civ-spouse,Adm-clerical,Husband,White,Male,0,0,40,United-States,<=50K.
26,Private,82091,HS-grad,9,Never-married,Adm-clerical,Not-in-family,White,Female,0,0,39,United-States,<=50K.

转换为矩阵，因子为数值：

V1  V2  V3  V4  V5  V6  V7  V8  V9  V10 V11 V12 V13 V14 V15
39  7   77516   10  13  5   1   2   5   2   2174    0   40  39  0
50  6   83311   10  13  3   4   1   5   2   0   0   13  39  0
38  4   215646  12  9   1   6   2   5   2   0   0   40  39  0
53  4   234721  2   7   3   6   1   3   2   0   0   40  39  0
28  4   338409  10  13  3   10  6   3   1   0   0   40  5   0
37  4   284582  13  14  3   4   6   5   1   0   0   40  39  0
49  4   160187  7   5   4   8   2   3   1   0   0   16  23  0
52  6   209642  12  9   3   4   1   5   2   0   0   45  39  1
31  4   45781   13  14  5   10  2   5   1   14084   0   50  39  1
42  4   159449  10  13  3   4   1   5   2   5178    0   40  39  1
37  4   280464  16  10  3   4   1   3   2   0   0   80  39  1
30  7   141297  10  13  3   10  1   2   2   0   0   40  19  1
23  4   122272  10  13  5   1   4   5   1   0   0   30  39  0

预测值总结：

      V1           
 Min.   :0.2446871  
 1st Qu.:0.2446871  
 Median :0.2446871  
 Mean   :0.2451587  
 3rd Qu.:0.2446871  
 Max.   :1.0000000

Wilcoxon-Mann-Whitney 检验的值（曲线下面积）表明预测性能几乎与随机相同。

performance(predneural,"auc")@y.values
[1] 0.5013319126
4

4 回答 4

23

当您使用神经网络得到奇怪的结果时，首先要考虑的原因是归一化。您的数据必须标准化，否则，是的，训练会导致 NN 偏斜，这将始终产生相同的结果，这是一个常见的症状。

查看您的数据集，有值 >>1 这意味着它们都被 NN 处理基本相同。其原因是传统上使用的响应函数在 0 附近的某个范围之外（几乎）是恒定的。

始终在将数据输入神经网络之前对其进行规范化。

于 2014-01-30T01:56:50.090 回答
4

与@sashkello 的回答类似，当我的数据未正确规范化时，我早些时候遇到了类似的问题。一旦我对数据进行规范化，一切都会正常运行。

最近，我再次遇到这个问题，经过调试，我发现神经网络给出相同输出可能还有另一个原因。如果您的神经网络具有权重衰减项，例如RSNNS包中的权重衰减项，请确保您的衰减项不会太大，以至于所有权重基本上都为 0。

我在 R 中使用caret包。最初，我使用衰减超参数 = 0.01。当我查看诊断结果时，我看到正在为每个折叠（交叉验证）计算 RMSE，但 Rsquared 始终为 NA。在这种情况下，所有预测都得出相同的值。

一旦我将衰减降低到一个低得多的值（1E-5 和更低），我就得到了预期的结果。

我希望这有帮助。

于 2019-02-06T22:09:29.510 回答
0

如果有人有同样的问题，我rep在定义神经网络时使用参数解决了。如果您不设置此参数，似乎网络的训练只进行一次，这会导致网络返回相同值的向量（或非常相似的值，例如 0.99872 和 0.97891）。

我相信问题也可能出在err.fct参数的默认值上，我将其设置ce为二进制分类。

这是导致正常结果的代码：

library(neuralnet)

model <- neuralnet(formula = allow ~ .,
                   data = podaci_train,
                   linear.output = FALSE, 
                   err.fct = "ce",
                   hidden = 4,
                   rep = 3)

predictions <- compute(model, subset(podaci_test, select = -c(allow)))
predictions <- predictions$net.result
max(predictions)
min(predictions)

这是输出（最大概率 - 94.57%，最小概率 - 0.01%）：

[1] 0.9456731
[1] 0.0009583263

使用rep会导致 RStudio 在绘图时出现一些奇怪的行为，因为在不同的训练迭代中有多个模型。因此，如果您不想让您的环境因过多的绘图而崩溃，请使用附加参数：

plot(model, rep = 'best')
于 2021-12-17T19:29:44.193 回答
0

我在这里为可能遇到与我相同问题的任何人添加此内容。

如果上述任何一项都不起作用，并且您正在使用带有自定义训练循环的 TensorFlow。确保设置training=True为：

predictions = model(inputs, training=True)
于 2020-10-22T10:42:35.540 回答