Я выпускаю R-код Deep Neural Network (DNN) или глубокого обучения. Они очень просты в использовании. Вы подготавливаете набор данных и просто запускаете код! Затем можно получить DNN и результаты прогнозирования для новых выборок. Очень просто и легко!
Вы можете купить каждый код по указанному ниже URL.
R
https://gum.co/gNtso
Загрузите дополнительный zip-файл (это бесплатно) по указанному ниже URL-адресу, чтобы запустить код DNN.
http://univprofblog.html.xdomain .jp/code/R_scripts_functions.zip
Процедура DNN в коде R
Чтобы выполнить соответствующую DNN, код R следует процедуре, описанной ниже, после загрузки набора данных.
1. Независимая переменная автомасштабирования (X)
Автомасштабирование означает центрирование и масштабирование. Среднее значение каждой переменной становится равным нулю путем вычитания среднего значения каждой переменной из переменной при центрировании. Стандартное отклонение каждой переменной становится единицей путем деления стандартного отклонения каждой переменной от переменной при масштабировании.
2. Разделить набор данных на выборки для обучения сети и выборки для проверки обученной сети
Когда определяется количество компонентов в PLS или C и гамма в SVM, в общем случае используется перекрестная проверка. Но он не используется в DNN, поскольку предполагается, что количество выборок в глубоком обучении огромно, и процесс обучения занимает невероятно много времени.
3. Определите варианты структуры сети, такие как количество слоев и количество единиц в каждом слое, (начальная) скорость обучения, коэффициент обновления скорости обучения, функция активации, процент отсева
4. Обучайте DNN с различными комбинациями кандидатов
5. Рассчитайте среднеквадратичную ошибку (RMSE) в регрессии или коэффициент ошибочной классификации при классификации r между фактическим Y и предполагаемым Y для проверочных выборок для каждой комбинации кандидатов
6. Определите оптимальную комбинацию кандидатов с минимальным значением RMSE
7. Обучите окончательную DNN, используя как обучающие образцы, так и проверочные образцы с оптимальной комбинацией кандидатов
8. Рассчитать определяющий коэффициент (r2C) и RMSE (RMSEC) в матрице регрессии или путаницы при классификации между фактическим Y и расчетным Y для оптимальной комбинации кандидатов
r2C означает отношение информации Y, которое модель SVR может объясните.
RMSEC означает среднее значение Y ошибок в модели SVR.
9. Проверка графиков между фактическим Y и расчетным Y в регрессии
Можно проверить выбросы расчетных и расчетных значений.
10. При прогнозировании вычтите среднее значение при автомасштабировании X в 1. из X-переменных, а затем разделите X-переменные на стандартное отклонение при автомасштабировании X в 1. для новых выборок
11. Оценка Y на основе DNN в 7.
12. Умножьте стандартное отклонение при автоматическом вычислении Y в 1 на оценочное значение Y, а затем добавьте среднее значение при автоматическом вычислении Y в 1 в регрессии
Как выполнить ДНН
1. Купить код и разархивировать файл
2. Загрузите и разархивируйте дополнительный zip-файл (это бесплатно)
R: http://univprofblog.html.xdomain.jp/code/R_scripts_functions.zip
3. Поместите дополнительные файлы в тот же каталог или папку, что и код DNN.
4. Подготовьте набор данных. Формат данных см. в статье ниже.
5. Запустите код!
Расчетные значения Y для «data_prediction2.csv» сохраняются в «PredictedY2.csv».
Требуемые настройки
См. статью ниже.
https://medium.com/@univprofblog1/settings-for-running-my-matlab-r-and-python-codes-136b9e5637a1#.paer8scqy
Примеры результатов выполнения
Регрессия
Классификация
