#ادامه_مطلب_شبکه‌های_عصبی
#شبکه‌های_عصبی_در #R
#بسته_nnet
#nnet_package
1) تابع nnet
این تابع اصلی‌ترین تابع بسته nnet است و که یک شبکه‌های عصبی با یک لایه پنهان را روی داده‌های برازش می‌دهد. این تابع آرگومان‌های زیادی را اختیار می‌کند که در اینجا به پرکاربردترین آن‌ها اشاره می‌شود.
الف) formula
مدل از کلاس formula که با استفاده از ~ ساخته می‌شود.
ب) x
دیتافریم متغیرهای مستقل
پ) y
دیتافریم متغیر وابسته (تابع هدف)
ت) weight
وزن داده‌ها یا متغیرها در صورت وجود، که به صورت پیش‌فرض 1 می‌باشد.
ث) size
تعداد واحدها (نرون‌ها) در لایه پنهان
ج) data
دیتافریمی که متغیرهای مدل (یا همان formula) در آن قرار دارد. لازم به ذکر است که از بین x و y یا data قرار دادن یکی کافی است.
چ) rang
عددی که وزن‌ها در بازه منفی rang تا مثبت rang را اختیار می‌کند.
ح) maxit
ماکسیمم تعداد تکرار شبکه‌ی عصبی

@BIMining

#ادامه_مطلب_شبکه‌های_عصبی
#شبکه‌های_عصبی_در #R
#بسته_nnet
#nnet_package
2) تابع predict.nnet
این تابع برای پیش‌بینی داده‌های آزمون شبکه‌های عصبی به کار می‌رود. در واقع روی مجموعه داده‌ی آموزش با استفاده از تابع nnet یک شیء از کلاس nnet به وجود می‌آید و این تابع روی شیء از این کلاس پیاده‌سازی می‌شود. آرگومان‌های این تابع به ترتیب زیر می‌باشد.
الف) object
شیء از کلاس nnet
ب) newdata
ماتریس یا دیتافریم از مجموعه داده‌ی آزمون
پ) type
نوع خروجی که شامل دو گونه است: raw و class
در صورتی که متغیر وابسته متغیری طبقه‌ای باشد، از نوع class و در غیر این صورت از raw استفاده می‌کنیم.
—----------------------------------
@BIMining