机器学习常用算法二：神经网络

1. 理解神经网络

• 生物中的神经网络
  

  生物信号(Signal In)传递给神经元，达到一定阈值后，生物会做出反应，即产生Signal Out传递给下一个神经元

• 从生物神经元到人工神经元
  
  一个神经元相当于一个多元线性回归方程
  激活函数：将神经元的净输入信号转换成单一的输出信号，以便进一
  步在网络中传播。
  网络拓扑：描述了模型中神经元的数量以及层数和它们连接的方式
  训练算法：指定如何设置连接权重，以便抑制或增加神经元在输入信号中的比重

• 激活函数
  通常如以下几种激活函数：

  阈值函数：
  

  逻辑函数：
  
  其他：
  

• 网络拓扑层—单层网络
  

• 网络拓扑层—多层网络
  

  

  
  神经网络没有必要深究，开发人员做的就是定义激活函数，然后调用封装好的神经网络算法就可以，而一般采用逻辑回归函数(Sigmoid)作为激活函数

• 神经网络与多元线性回归对比
  

2. 案例：利用神经网络预测水泥强度

部分数据：

R语言代码：

# 导入数据，把csv文件读到dataframe中concrete <- read.csv("concrete.csv")# 定义一个归一化函数# 归一化：缩放，把每列的数据都放到[0,1]之间normalize <- function(x){  return ((x - min(x)) / (max(x) - min(x)))}

归一化之后部分数据：

# 把concrete这个dataframe中的每个向量（表格中的每一列）都调用归一化函数# 并把结果再报存dataframe，lapply函数默认返回矩阵concrete_norm <- as.data.frame(lapply(concrete, normalize))# 把数据分为训练集和测试集，通常比例为7:3或者8:2concrete_train <- concrete_norm[1:773,]concrete_test <- concrete_norm[774:1030,]# 调用神经网络训练方法 concrete_model <- neuralnet(strength ~ cement + slag + ash + water + superplastic + coarseagg + fineagg + age, data=concrete_train)# 画出训练结果图plot(concrete_model)

训练结果图如下：

# 测试，传入测试集的1-8列（不包含强度那一列）model_results <- compute(concrete_model, concrete_test[1:8])predicted_strength <- model_results$net.result# 求测试结果和实际结果的相关系数cor(predicted_strength, concrete_test$strength)结果：0.8063194089

# 调整了隐藏层节点的个数，可以降低误差，但计算变得更复杂concrete_model2 <- neuralnet(strength ~ cement + slag + ash + water + superplastic + coarseagg + fineagg + age, data=concrete_train, hidden=5)plot(concrete_model2)

# 测试，传入测试集的1-8列（不包含强度那一列）model_results2 <- compute(concrete_model2, concrete_test[1:8])predicted_strength2 <- model_results2$net.result# 求测试结果和实际结果的相关系数cor(predicted_strength2, concrete_test$strength)结果：0.9342932783，系数变大，说明误差小了

这个案例中对数据进行了归一化，归一化有两个好处：
1）归一化后加快了梯度下降求最优解的速度；
2）归一化有可能提高精度。
原因请参考博客：https://yq.aliyun.com/articles/16908

概念：过拟合
神经网络的隐藏层足够多(谷歌是5，所以5已经是很大的隐藏层数量)，隐藏节点足够多(一般调优会调整隐藏节点的数，而不调整隐藏层的数量)时，计算的结果会符合每一种情况，即代表结果的线会穿过所有的点，但是如果有几个数据是脏数据，本身就不正确，那么结果拟合了这些数据反而使得模型变得不准确，我们把这种拟合了全部数据包括脏数据的现象称为过拟合，神经网络很容易造成过拟合。

想了解多元线性回归相关知识，请参考博主另一篇博客：《机器学习常用算法——多元线性回归 》
网址：http://blog.csdn.net/itJed/article/details/77879002