《深度学习与R语言 程显毅 深度学习技术教程 R语言编程基础 神经网络 图像处理与自然语言》【摘要 书评 试读】- 京东图书
深度学习与R语言 程显毅 深度学习技术教程 R语言编程基础 神经网络 图像处理与自然语言
与行业相比
京 东 价 &
[定价 &￥]
PLUS会员专享价
您购买此商品可享受专属价
增值业务 &
重　　量 &
搭配赠品 &
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
规格与包装
商品介绍加载中...
扫一扫，精彩好书免费看
著者程显毅著
出版社机械工业出版社
权利声明：京东上的所有商品信息、客户评价、商品咨询、网友讨论等内容，是京东重要的经营资源，未经许可，禁止非法转载使用。
注：本站商品信息均来自于合作方，其真实性、准确性和合法性由信息拥有者（合作方）负责。本站不提供任何保证，并不承担任何法律责任。
印刷版次不同，印刷时间和版次以实物为准。
价格说明：
京东价：京东价为商品的销售价，是您最终决定是否购买商品的依据。
划线价：商品展示的划横线价格为参考价，该价格可能是品牌专柜标价、商品吊牌价或由品牌供应商提供的正品零售价（如厂商指导价、建议零售价等）或该商品在京东平台上曾经展示过的销售价；由于地区、时间的差异性和市场行情波动，品牌专柜标价、商品吊牌价等可能会与您购物时展示的不一致，该价格仅供您参考。
折扣：如无特殊说明，折扣指销售商在原价、或划线价（如品牌专柜标价、商品吊牌价、厂商指导价、厂商建议零售价）等某一价格基础上计算出的优惠比例或优惠金额；如有疑问，您可在购买前联系销售商进行咨询。
异常问题：商品促销信息以商品详情页“促销”栏中的信息为准；商品的具体售价以订单结算页价格为准；如您发现活动商品售价或促销信息有异常，建议购买前先联系销售商咨询。
价　格： 到
　　　
iframe(src='//www.googletagmanager.com/ns.html?id=GTM-T947SH', height='0', width='0', style='display: visibility:')后使用快捷导航没有帐号？
查看: 3524|回复: 20
R语言第四周作业神经网络的绘制
新手上路, 积分 49, 距离下一级还需 1 积分
论坛徽章:1
源数据 根据第四周的女士社交活动图计算出来的 E0 和E1代表社交活动，W代表同时参加两种活动的女士人数（不喜欢老师用妇女这个词。。，还有是的这些都是我一根一根数出来的数据），数据已经删掉了女士书少于2个的情况。
用这个代码用igraph中的graph.data.frame即可绘制出图
神经图的外观为接近28页的范本 对节点连线进行了设置，也参考了版上的一些范例，感谢！
#event relation.csv
E0E1We1e2 3e1e33e1e53e1e63e1e83e2e33e2e53e2e63e2e83e3e44e3e56e3e65e3e74e3e84e4e54e4e63e4e73e4e83e5e66e5e75e5e86e5e93e6e74e6e86e6e94e7e87e7e95e7e103e7e124e8e99e8e104e8e125e8e133e8e143e9e104e9e113e9e125e10e125e10e133e10e143e12e133e12e143e13e143
e1e2e3e4e5e6e7e8e9e10e11e12e13e14
install.packages(&igraph&)
library(igraph)
#event store the list of
event&-read.csv(&events.csv&,header=F,strip.white=TRUE)
head(event)
#eventRel store the event relation by people in common,
#W mean the number of woman who attend both events, it will be used to assign the width of the edge
eventRel&-read.csv(&event relation.csv&,header=T,strip.white=TRUE)
head(eventRel)
#&&E0 E1 W
#1 e1 e2 3
#2 e1 e3 3
#3 e1 e4 2
#4 e1 e5 3
#5 e1 e6 3
#6 e1 e7 2
#form the network graph
#第一个变量为定义节点间的关系，第二个变量定义节点，第三个变量定义节点间的关系没有方向
g &- graph.data.frame(eventRel,&&vertices=event,directed=FALSE)
#设置神经节点的位置 使图更接近范本
V(g)$x&-c(1, 2, 7.5, 5, 3, 6, 6, 8, 8,11, 8, 10, 11, 13)
V(g)$y&-c(2, 1, 2, 4, 5.5, 1, 6, 4, 9,8, 14, 5.5, 2.2, 4)
#参数分别设置了节点形状为正方形，节点颜色为绿色，连线的粗细反应参与的女士人数，节点文字位置，节点文字大小等
plot(g,vertex.shape=&rectangle&,vertex.color=&green&,edge.width=eventRel$W-1,vertex.label.dist=1,vertex.label.font=2,vertex.label.degree=pi/2)
Week4Ex1.png (14.47 KB)
22:21 上传
注册会员, 积分 146, 距离下一级还需 54 积分
论坛徽章:1
新手上路, 积分 41, 距离下一级还需 9 积分
论坛徽章:6
学习了，拜谢
论坛徽章:3
提示: 作者被禁止或删除 内容自动屏蔽
中级会员, 积分 452, 距离下一级还需 48 积分
论坛徽章:9
感谢, 参考了，原数据有小错, e1,e2之间的关系数是2(w01,w02)，不是3，所以e1, e2之间应没有连线
注册会员, 积分 175, 距离下一级还需 25 积分
论坛徽章:2
谢谢分享，链接边的粗细怎么能调一下呢
中级会员, 积分 239, 距离下一级还需 261 积分
论坛徽章:4
似曾相识，原来我们也做过
新手上路, 积分 26, 距离下一级还需 24 积分
论坛徽章:1
学习了，多看看大家做的，有助于丰富思路
新手上路, 积分 2, 距离下一级还需 48 积分
论坛徽章:0
学习了，多看看大家做的，有助于丰富思路
注册会员, 积分 146, 距离下一级还需 54 积分
论坛徽章:2
谢谢分享，链接边的粗细怎么能调一下呢
线的粗细根据w的数值调，w越小，线越细
dataguru.cn All Right Reserved.
扫一扫加入本版微信群6被浏览2,569分享邀请回答0添加评论分享收藏感谢收起轻松一扫，精彩不停
扫描下载APP
正在学习：
感谢你的评价，我们会继续努力！
恭喜，你已学完本节课程！
感谢你的评价，我们会继续努力！
写点什么吧，你的感受对其他同学有很大帮助噢
字数限250字以内
零基础学C语言程序设计
164595人已学
AutoCAD免费课程
113168人已学
把自己妆成明星
101626人已学
购买后可以学习整个课程
&课程信息&
课程价格：199.00元
购买人数：57人
学生满意度：100%
直播倒计时：09小时52分15秒
上课时间：
线下课倒计时：09小时52分15秒
扫码下载APP
R语言与bp神经网络
请选择购买章节
您好，因百度传课业务模式升级，目前暂停付费视频课程购买服务
统计学生、数据爱好者
数据挖掘算法与R语言高级编程技巧！
3年数据挖掘经验，擅长算法与大数据分析！
【主要内容】：
& & & 数据挖掘算法，包括经典的聚类分析、关联规则、神经网络等等。
& & & R语言对这些算法的方便实现。
详细解读每一个内容，让你学过不会后悔。可以为初学者入门与提高数据挖掘提供帮助。
【资料下载】：
关注微信公众号，数据挖掘工作室；
第1章R语言基础知识
R语言介绍与环境配置
repeat循环
txt文件操作
csv文件操作
xlsx文件操作
第2章统计分析
缺失值的处理
标准化方法
多元线性回归
主成分分析
第3章数据挖掘算法
R语言与关联规则
决策树理论与手动计算一棵树
R语言与决策树
自己动手写两个神经网络
bp神经网络
R语言与bp神经网络
基本正则表达式
高级正则表达式
自己动手写一个简单网页
爬取新浪网新闻
爬取慕课网一
爬取慕课网二
爬取慕课网三
爬取前程无忧所有职位一
爬取前程无忧所有职位二
爬取前程无忧所有职位三
课程暂无资料
BoboTreeXDS
字数限400字符内
字数限400字符内
该机构的同类课程
134 人已学
该机构的热门课程
134 人已学R语言BP神经网络实例
某实验所测数据如下，根据实验测得数据使用BP神经网络的方法预测第18,19,20个数据的y值。
所使用的包：AMORE
建立BP神经网络所需要的函数：newff，train和sim。
newff(n.neurons, learning.rate.global, momentum.global, error.criterium, Stao,
&&&&&& hidden.layer, output.layer, method)
newff返回一个多层前馈神经网络对象。
n.neurons：一个数字型向量，第一个向量值表示训练样本输入神经元的个数，最后一个向量值表示训练样本输出神经元的个数，中间的向量值依次表示各个隐藏层神经元的个数。
Example：n.neurons=c(12,2,4) 表示一个3层神经网络即12-2-4
n.neurons=c(12,2,4,4) 表示一个4层神经网络即 12-2-4-4，含有2个隐层
learning.rate.global :该参数用于设置神经元学习率
momentum.global :设置全局动量指标，部分训练方法将用到
error.criterium : 用于设置训练误差函数所采用的方法。包括了：
&&&&&&&&&&&&&&&&&&&&&& LMS：最小均方误差
&&&&&&&&&&&&&&&&&&&&&& LMLS : 最小均对数平方误差
&&&&&&&&&&&&&&&&&&&&&& TAO :
Stao : 此参数用于error.TAO 函数，其他误差函数无效。
hidden.layer : 设置隐藏层神经元采用的激励函数，包括：
&&&&&&&&&&&&&&&&& "purelin". 线性函数
"tansig" : 传递函数
"sigmoid". S型函数
"hardlim".
"custom": 用户自定义的函数
output.layer : 设置输出层神经元采用的激励函数，包括：
&&&&&&&&&&&&&&&&& "purelin". 线性函数
"tansig" : 传递函数
"sigmoid". S型函数
"hardlim".
"custom": 用户自定义的函数
method : 设置训练方法即权重更新时所采用的方法。
&&&&&&&& ADAPTgd : 自适应梯度下降法
&&&&&&&&&&& ADAPTgdwm : 含有动量的自适应梯度下降法
&&&&&&&&&&&&&& BATCHgd : 批梯度下降
&&&&&&&&&&&&& BATCHgdwm : 含有动量的批梯度下降法
train {AMORE} R文档
神经网络训练功能。该函数返回具有两个元素的列表：经训练的神经网络对象，其具有通过具有动量方法的自适应反向传播和具有在训练期间获得的误差的矩阵调整的权重和偏差。如果提供了验证集，则应用早期停止技术。
对于给定的数据集（训练集），该函数修改神经网络权重和偏差以近似训练集中存在的变量之间的关系。这些可以用于满足几个需要，即拟合非线性函数。
train（net，P，T，Pval = NULL，Tval = NULL，error.criterium =“LMS”，report = n.shows，show.step，Stao = NA，prob = NULL，n.threads = 0L）
神经网络训练。
训练集输入值。
训练集输出值
验证设置可选提前停止的输入值。
验证设置可选提前停止的输出值。
error.criterium
用于测量拟合优度的标准：“LMS”，“LMLS”，“TAO”。
由TAO算法使用的S参数的初始值。
&&& 表示训练功能应保持安静还是应在训练过程中提供图形/书面信息的逻辑值。
&&& n.shows
&&& 报告次数（如果报告为TRUE）。训练时期的总数是n.shows乘以show.step。
&&& 在训练结束前，训练最大次数。
&&& 矢量与每个样本的概率，以便应用重采样训练。
要为BATCH *训练方法生成的线程数。如果&1，则产生NumberProcessors-1个线程。
如果未找到OpenMP，则此参数将被忽略。
sim(net,P,...)
用于网络仿真。&
本问题的编程
library(AMORE)
p&-matrix(c(-0.12,-0.24,0.53,0.59,-0.63,-0.02,-0.11,0.29,0.42,0.51,-0.45,
0.36,0.31,-0.67,-0.76,0.00,0.92,-0.32,0.17,-0.55,0.50,-0.49,0.01,0.40,0.78,
0.92,0.09,-0.72,-0.70,-0.48,0.68,-0.49,0.63,-0.51,0.86,-0.30,-0.61,-0.50,0
.23,-0.05),20,2,byrow=T)
t&-c(0.13,1.26,0.42,0.03,0.86,0.01,0.13,0.59,0.36,0.15,0.00,0.17,2.89,
0.39,1.41,0.04,0.01)&&
net&-newff(n.neurons=c(2,5,1),learning.rate.global=1e-4,momentum.global=0.001,
error.criterium="LMS", Stao=NA, hidden.layer="tansig", output.layer="purelin",
method="ADAPTgdwm")
result&-train(net,p[1:17,],t[1:17],error.criterium="LMS", report=TRUE,
show.step=1000000, n.shows=5)
y&-sim(result$net,p[1:20,])
index.show: 1 LMS 0.7882
index.show: 2 LMS 0.5427
index.show: 3 LMS 0.87179
index.show: 4 LMS 0.8624
index.show: 5 LMS 0.51156
最后三个的预报值
(48) | 阅读(3656)
(8989)(6768)(5387)(4121)(4080)(3701)(3687)(3657)(3214)(2535)
胡桃木屋版权所有@2013}