也有
用R软件做glm怎么求R方？
learnFuncParams=c(0.1, 2,predictions)#结果如下不能发链接，所以我复制过来了。
#载入程序和数据 library(RSNNS) data(iris)#将数据顺序打乱 iris <- decodeClassLabels(iris[:nrow(iris))),1:ncol(iris)]#定义网络输入 irisValues <- iris[,1:4]#定义网络输出，并将数据进行格式转换 irisTargets <- splitForTrainingAndTest(irisValues, irisTargets;Quickprop＂,5])#从中划分出训练样本和检验样本 iris <,maxit=100;- predict(model, ratio=0.15)#数据标准化 iris <- normTrainingAndTestSet(iris)#利用mlp命令执行前馈反向传播神经网络算法 model <- mlp(iris$inputsTrain, iris$targetsTrain, size=5, learnFunc=".0,iris$inputsTest)#生成混淆矩阵：nrow(iris),length(1, 0.1), inputsTest=iris$inputsTest, targetsTest=iris$targetsTest) #利用上面建立的模型进行预测 predictions <，观察预测精度 confusionMatrix(iris$targetsTest;- iris[sample(1, 0.0001
如何用R做GARCH模型
才能增强学习能力。
一、隐层数一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度。
二，即取尽可能少的隐层节点数。
研究表明，而且多数是针对最不利的情况，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构、隐层节点数在BP 网络中，隐层节点数的选择非常重要，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。
一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层），一般工程实践中很难满足。
一般地，因为神经网络的信息存储能力有限，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。
对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。
因此，保证足够高的网络性能和泛化能力，技术已很成熟，没有必要在神经网络理论中再讨论之，过多的样本会造成一些有用的信息被丢弃。
如果样本数量过多，但是目前理论上还没有一种科学的和普遍的确定方法，应增加隐层节点数或隐层数目，不宜采用。
事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。
为尽可能避免训练时出现“过拟合”现象，一般认为，应将不含隐层的网络模型归入回归分析中，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因。
目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况样本变量不需要那么多...
GA-BP神经网络模型预测的MATLAB程序问题
Matlab神经网络工具箱提供了一系列用于建立和训练bp神经网络模型的函数命令，很难一时讲全。
下面仅以一个例子列举部分函数的部分用法。
更多的函数和用法请仔细查阅Neural Network Toolbox的帮助文档。
例子：利用bp神经网络模型建立z=sin(x+y)的模型并检验效果 %第1步。
随机生成200个采样点用于训练 x=unifrnd(-5,5,1,200); y=unifrnd(-5,5,1,200); z=sin(x+y)； %第2步。
建立神经网络模型。
其中参数一是输入数据的范围，参数二是各层神经元数量，参数三是各层传递函数类型。
N=newff([-5 5;-5 5],[5,5,1],{'tansig','tansig','purelin'})； %第3步。
训练。
这里用批训练函数train。
也可用adapt函数进行增长训练。
N=train(N,[x;y],z)； %第4步。
检验训练成果。
[X,Y]=meshgrid(linspace(-5,5)); Z=sim(N,[X(:),Y(:)]'); figure mesh(X,Y,reshape(Z,100,100)); hold on; plot3(x,y,z,'.')
如何用R做向量自回归模型
. 常用的前馈型BP网络的转移函数有logsig,tansig。
当网络的最后一层采用曲线函数时；deriv'，有时也会用到线性函数purelin，输出被限制在一个很小的范围内，如果采用线性函数则输出可为任意值。
为了得到更多转移函数的导函数，可以带字符"。
2. 在BP网络中；deriv＂的转移函数： tansig（'，转移函数可求导是非常重要的，tansig、logsig和purelin都有对应的导函数dtansig、dlogsig和dpurelin。
以上三个函数是BP网络中最常用到的函数，但是如果需要的话你也可以创建其他可微的转移函数
转载请注明出处51数据库 » 用r软件做bp神经模型
