آموزش گام به گام تحلیل شبکه اجتماعی در زبان R (فارسی)
#آموزش #تحقیق #شبکه_اجتماعی
#Social_Network #R
@Computer_IT_Engeenering

#Data_mining
#Neural_Network
#شبکه‌های_عصبی_در #R
پیاده‌سازی شبکه‌های عصبی در R
شبکه‌های عصبی یکی از شاخه‌های قدرتمند داده‌کاوی است. شبکه‌های عصبی حدودا نیم قرنی است که در دنیای علم مورد استفاده مسائل پیش‌بینی قرار می‌گیرد و امروزه بخشی از یادگیری عمیق یا همان deep learning به حساب می‌آید. پیاده‌سازی شبکه‌های عصبی در R با استفاده از بسته‌ی nnet قابل انجام است. استفاده از این بسته برای پیاده‌سازی شبکه‌های عصبی در R شروع خوبی است، اما ورود به یادگیری عمیق نیازمند شبکه‌های عصبی پیچیده‌تری است. از بسته‌های یادگیری عمیق و شبکه‌های عصبی پیشرفته‌تر در R می‌توان MXNet، darch و deepnet را نام برد.

برای آشنایی با توابع nnet #ادامه_مطلب_شبکه‌های_عصبی را دنبال کنید.

@BIMining

#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

✅نحوه ایمپورت دیتا از اکسل به R:


🔹یکی از روش های مهم برای #import کردن فایل های #اکسل به #R استفاده از پکیج #RODBC است، و با استفاده از دستور #odbcDriverConnect به این مجموعه داده متصل می شویم:
> install.packages("RODBC")
> library(RODBC)
> data<-odbcDriverConnect(file.choose())
> sqlFetch(data)$Table_Name
> mydata<-sqlFetch(data,"sheet1")
> odbcClose(data)
> mydata
🔹بعد از فراخوانی بسته #RODBC با استفاده از دستور #odbcDriverConnect به دیتابیس #اکسل متصل می شویم، سپس با استفاده از دستور #sqlFetch محتوای جدول #اکسل را در محیط #R #نمایش داده می شود.
@BIMining

#آشنایی با پکیج arm

این پکیج برای تجزیه و تحلیل داده ها با استفاده از مدل رگرسیون و چند سطح / سلسله مراتبی می باشد یکی از توابع موجود در این پکیج
#Binned_Residual_Plot
یا نمودار مانده های تظریف شده است
تابع آن در #R بصورت زیر می باشد:
> install.packages("arm")
> library(arm)
> help(binnedplot)
که تابع آن بصورت زیر است و جزییات وتوضیحات آن راجع به آرگومان های این تابع را میتوان از help مشاهده کرده:
binnedplot(x ,y, nclass=NULL,xlab="Expected Values", ylab="Average residual",main="Binned residual plot", cex.pts=0.8, col.pts=1, col.int="gray",...)
#مثال:
> library(MASS)
> library(Matrix)
> library(lme4)
> library(arm)
> old.par <- par(no.readonly = TRUE)
> data(lalonde)
> fit <- glm(treat ~ re74 + re75 + educ + black + hisp + married
+ nodegr + u74 + u75, family=binomial(link="logit"))
> x <- predict(fit)
> y <- resid(fit)
> binnedplot(x,y,main="Reducational")
> par(old.par)

كانال : @BIMining