당신이 더 나은 예와 이해 (나는 그것을 조금 수정하지만 난 here에서 그것을 가지고) :
head(predict$net.result)
# [,1] [,2] [,3]
#80 0.0167232688257 0.995316738272 -0.011840391533
#112 -0.0008289388986 -0.006814451178 1.007637170495
#17 1.0028534166840 0.004240124926 -0.007115290101
#104 -0.0002256650283 -0.031771967776 1.031855488316
#149 0.0019424886784 0.007205356060 0.990892583485
#82 -0.0061699713404 0.957656929739 0.048564910023
head(inet$net.result[[1]])
# [,1] [,2] [,3]
#80 0.0167232688257 0.995316738272 -0.011840391533
#112 -0.0008289388986 -0.006814451178 1.007637170495
#17 1.0028534166840 0.004240124926 -0.007115290101
#104 -0.0002256650283 -0.031771967776 1.031855488316
#149 0.0019424886784 0.007205356060 0.990892583485
#82 -0.0061699713404 0.957656929739 0.048564910023
내가 사용 :
itrain <- iris[sample(1:150, 50),]
itrain$setosa <- c(itrain$Species == 'setosa')
itrain$versicolor <- c(itrain$Species == 'versicolor')
itrain$virginica <- c(itrain$Species == 'virginica')
itrain$Species <- NULL
inet <- neuralnet(setosa + versicolor + virginica ~ Sepal.Length + Sepal.Width +
Petal.Length + Petal.Width, itrain, hidden=3, lifesign="full")
#make a prediction on the training set and then compare to
#inet$net.result[[1]]
predict <- compute(inet, itrain[1:4])
이제 결과를 살펴 compute
을 사용하여 신경망 모델을 사용하여 학습 집합에 대한 예측을 수행합니다.
표시되는대로 inet$net.result[[1]]
과 predict$net.result
은 같습니다. 따라서 inet$net.result[[1]]
은 모델을 훈련하는 데 사용한 데이터 집합에 대한 예측 일뿐입니다 (lm
모델의 fitted.values와 동일 함).
@sebastianmm의 유용한 의견에 따르면 net.result
이 목록입니다. 기본적으로 neuralnet
에는 rep
이라는 매개 변수가있어 하나의 호출에서 여러 모델을 학습 할 수 있습니다. rep
이 1보다 큰 경우 net.result
은 1보다 클 것입니다 (다른 구성 요소 (weights
, result.matrix
, start.weights
)).
대단히 고마워요. Inet $ net.result [[1]] 여기서 결과는 1 요소를 포함하는 목록입니다. 이것은 특정 시나리오에서 inet $ net.result [2]와 같이 결과 집합이 1 개 이상있을 수 있음을 나타 냅니까? – edb500
@ edb500 매우 환영합니다. 솔직히 말해서'inet $ net.result [[2]] '또는 다른 요소를 사용한 적이 없으므로 확실하지 않습니다. – LyzandeR
어쨌든 고맙습니다. – edb500