R语言中的RSNNS包

RSNNS包中的函数及功能如下：
1.Analyzeclassification ：将连续输出转换成类标签
2.art1:创建并训练一个art1网络
3.assoz: 创建并训练一个auto-associative memory
4.confusionMatrix: 计算混淆矩阵
5.decodeClassLabels : 将类标签转化成二进制矩阵
6.denormalizeData : 回复数据的标准化
7.dlvq :创建并训练一个dlvq网络
8.elman: 创建并训练一个Elman网络
9.encodeClassLabels : 将矩阵编码为类标签
10.exportToSnnsNetFile: 将网络以一个原始SNNS文件的形式输出
11.extractNetInfo : 从一个网络中提取信息
12.getNormParameters: 得到输入数据标准化的参数
13.inputColumns : 得到输入矩阵的列
14.jordan : 创建并训练一个Jordan网络
15.matrixToActMapList : 将矩阵转化为地图列表
16.Mlp : 创建并训练一个多层感知机（MLP）
17.normalizeData : 数据标准化
18.normTrainingAndTestSet: 标准化训练和测试集的函数
19.outputColumns :得到目标列
20.plotActMap : 画出热力图
21.plotIterativeError: 画出一个rsnns的迭代误差
22.plotRegressionError: 画出回归误差
23.plotROC : 画出ROC曲线
24.predict.rsnns : 用神经网预测
25.print.rsnns : 打印网络
26.rbf : 创建并训练一个基础径向基网络
27.rbfDDA:创建并训练一个用DDA算法的RBF网络
28.readPatFile : 从一个pat文件中加载数据
29.SnnsRObject$genericPredictCurrPatSet : 用已训练的网络预测
30.SnnsRObject$getAllHiddenUnits 获取网络的所有隐藏单元
31.SnnsRObject$getAllInputUnits 获取网络的所有输入单元
32.SnnsRObject$getAllOutputUnits 获取网络的所有输出单元
33.SnnsRObject$getAllUnits 获取所有的单元
34.SnnsRObject$getAllUnitsTTyp 获取网络中某一类型的所有单元35.SnnsRObject$getCompleteWeightMatrix 获取完整的权值矩阵36.SnnsRObject$getWeightMatrix 获取指定两个神经元的权值
37.SnnsRObject$initializeNet 初始化网络
38.SnnsRObject$predictCurrPatSet 预测
39.SnnsRObject$resetRSNNS 重置网络
40.SnnsRObject$setTTypeUnitsActFunc 将激活函数同意设置为某一类型
41.SnnsRObject$setUnitDefaults 设置单元默认值
42.SnnsRObject$somPredictComponentMaps 计算SOM组件图
43.SnnsRObject$train : 训练一个网络并测试每一次的迭代误差
44.SnnsRObject$whereAreResults: 得到一个网络的输出单元列表
45.Som : 创建并训练一个自组织映射（SOM）
46.splitForTrainingAndTest : 将数据划分为训练和测试集
47.Summary.rsnns : 总结rsnns对象
48.toNumericClassLabels : 将一个类标签向量转换成一个数值向量
49.weightMatrix : 从RSNNS中提取权值矩阵
具体用法如下：

1 Analyzeclassification 将连续输出转换成类标签

此函数将连续的输出转换成二进制输出用来分类.两种方法：402040，winner-takes-all(WTA).

Analyzeclassification(y,method=’WTA’,l=0,h=0)

参数：
y:输入 method： ETA或’402040’
L:下界（比如在402040中l=0.4） h:上界（默认参数0.6）

具体介绍：
402040：它主要是用于以下情况的准确分类：
（1）正确分类的输出单元的值是大于或等于h,其他的输出小于或等于l，训练的目的是最大换输出。
（2）错误情况，以上一三条都满足，但数第二条不是最大化训练输出。
WTA：
（1）正确应用情况，一个输出单元的值比其他单元的输出值要大很多，假设这个输出值为a.且a>h,训练为了最大化输出模式，其他单元的输出小于a-l。
（2）错误情况，一三四满足。但不是最大化模式输出。

2 art1 创建并训练一个art1网络

自适应神经网络（ART）通过发现输入模型分布来聚类。仅适用于二值型的输入，是指输入用art2.
用法：

art1(x, dimX, dimY, f2Units = nrow(x), maxit = 100,initFunc = "ART1_Weights", initFuncParams = c(1, 1), learnFunc = "ART1",learnFuncParams = c(0.9, 0, 0), updateFunc = "ART1_Stable",updateFuncParams = c(0), shufflePatterns = TRUE, ...)

参数：
x:网络的训练样本的输入矩阵
dimX:输入和输出的x的维度
F2units:控制集群的数目
Maxit:最大迭代学习次数
initFunc：初始化函数
initFuncParams:初始化函数的参数
learnFunc：学习函数
learnFuncParams：学习函数的参数
updateFunc:更新函数
updateFuncParams:更新函数的参数
shufflePatterns:模式是否要扰乱

该网络有两维的输入，矩阵x包含所有输入模.在内部，每个模式都被转换成一个两维的模式（dimX和dimY）。F2units控制识别层的神经元个数。
art2
Art2

3 assoz 创建并训练一个（auto-associative memory）

associative memory通过寻找给定输入的模式来聚类。

assoz(x, dimX, dimY, maxit = 100,initFunc = "RM_Random_Weights", initFuncParams = c(1, -1),learnFunc = "RM_delta", learnFuncParams = c(0.01, 100, 0, 0, 0),updateFunc = "Auto_Synchronous", updateFuncParams = c(50),shufflePatterns = TRUE, ...)

参数跟上面意思一样

4 confusionMatrix 计算混淆矩阵

confusionMatrix(targets,predictions)

Targets 已知的正确的标签函数
Predictions 相应的预测的目标

5 decodeClassLabels 将类标签转化成二进制矩阵

此方法将一个数值或水平向量解码成一个二值类型的类标签.

decodeClassLabels(x,valTrue=1,valFalse=0)

X 类标签向量

例如：c(1, 3,2, 3) 的输出为100 001 010 001

6 denormalizeData 回复数据的标准化

运用已知的参数恢复用列式标准化的输入矩阵

denormalizeData(x,norParams)

参数：
x 输入的数据
normParams 用于数据标准化的参数。

7 dlvq 创建并训练一个dlvq网络

动态学习矢量量化（DLVQ）网络类似于自组织映射（SMO）

dlvq(x, y, initFunc = "DLVQ_Weights",initFuncParams = c(1, -1), learnFunc = "Dynamic_LVQ",learnFuncParams = c(0.03, 0.03, 10), updateFunc = "Dynamic_LVQ",updateFuncParams = c(0), shufflePatterns = TRUE, ...)

说明：
输入数据必须是标准变化后的数据
例子：

data(snnsData)
dataset <- snnsData$dlvq_ziff_100.pat
inputs <- dataset[,inputColumns(dataset)]
outputs <- dataset[,outputColumns(dataset)]
model <- dlvq(inputs, outputs)
fitted(model) == outputs
mean(fitted(model) - outputs)

8 elman 创建并训练一个Elman网络

elman网络是一个递归网络类似于Jordan网络。

elman(x, y, size = c(5), maxit = 100,initFunc = "JE_Weights", initFuncParams = c(1, -1, 0.3, 1, 0.5),learnFunc = "JE_BP", learnFuncParams = c(0.2), updateFunc = "JE_Order",updateFuncParams = c(0), shufflePatterns = FALSE, linOut = TRUE,outContext = FALSE, inputsTest = NULL, targetsTest = NULL, ...)

参数：
X: 网络的输入矩阵
y: 相应的目标值
Size： 隐藏层的单元个数
………
linOut: 设置输出单元的激活函数线性或logistic型
outContxt： 如果TRUE，脉络单元既是输出单元
Inputstest： wangle测试输入矩阵
targetsTest：相应的测试目标值

9 encodeClassLabels 将矩阵编码为类标签

encodeClassLabels(x, method = "WTA", l = 0, h = 0)

输出一个数值向量，每个数表示不同的类

比如：

data(iris)
labels <- decodeClassLabels(iris[,5])
encodeClassLabels(labels)

10 exportToSnnsNetFile 将网络以一个原始SNNS文件的形式输出

exportToSnnsNetFile(object, filename, netname = "RSNNS_untitled")

11 extractNetInfo 从一个网络中提取信息

extractNetInfo(object)

12 getNormParameters 得到输入数据标准化的参数

getNormParameters(x)

13 inputColumns 得到输入矩阵的列

inputColumns(patterns)

14 jordan 创建并训练一个Jordan网络

jordan(x, y, size = c(5), maxit = 100,initFunc = "JE_Weights", initFuncParams = c(1, -1, 0.3, 1, 0.5),learnFunc = "JE_BP", learnFuncParams = c(0.2), updateFunc = "JE_Order",updateFuncParams = c(0), shufflePatterns = FALSE, linOut = TRUE,inputsTest = NULL, targetsTest = NULL, ...)

15 matrixToActMapList 将矩阵转化为地图列表

16 Mlp 创建并训练一个多层感知机（MLP）

可以创建一个多层感知机并训练，它是一个完全连接的反馈网络.

mlp(x, y, size = c(5), maxit = 100,initFunc = "Randomize_Weights", initFuncParams = c(-0.3, 0.3),learnFunc = "Std_Backpropagation", learnFuncParams = c(0.2, 0),updateFunc = "Topological_Order", updateFuncParams = c(0),hiddenActFunc = "Act_Logistic", shufflePatterns = TRUE, linOut = FALSE,inputsTest = NULL, targetsTest = NULL, pruneFunc = NULL,pruneFuncParams = NULL, ...)

X: 网络的训练输入矩阵
Y: 相应的目标值
Size: 隐藏层的个数
Maxit: 最大迭代次数
initFunc 使用的初始化函数
initFuncParams 初始化函数的参数
LearnFunc 使用的学习函数
LearnFuncParams 学习函数的参数
……
hiddenActFunc: 隐藏层的激活函数
shufflePatterns: should the patterns be shuffled?
linOut: 输出单元是线性还是logistic
inputsTest: 网络测试的输入矩阵
targetsTest: 相应的测试输入目标矩阵
pruneFunc: 使用的减枝函数
pruneFuncParams: 减枝函数参数
例子：

data(iris)
shuffle the vector
iris <- iris[sample(1:nrow(iris),length(1:nrow(iris))),1:ncol(iris)]
irisValues <- iris[,1:4]
irisTargets <- decodeClassLabels(iris[,5])
iris <- splitForTrainingAndTest(irisValues, irisTargets, ratio=0.15)
iris <- normTrainingAndTestSet(iris)
model <- mlp(iris$inputsTrain, iris$targetsTrain, size=5, learnFuncParams=c(0.1),maxit=50, inputsTest=iris$inputsTest, targetsTest=iris$targetsTest)
summary(model)
model
weightMatrix(model)
extractNetInfo(model)
par(mfrow=c(2,2))
plotIterativeError(model)
predictions <- predict(model,iris$inputsTest)
plotRegressionError(predictions[,2], iris$targetsTest[,2])
confusionMatrix(iris$targetsTrain,fitted.values(model))
confusionMatrix(iris$targetsTest,predictions)
plotROC(fitted.values(model)[,2], iris$targetsTrain[,2])
plotROC(predictions[,2], iris$targetsTest[,2])
confusion matrix with 402040-method
confusionMatrix(iris$targetsTrain, encodeClassLabels(fitted.values(model),
method="402040", l=0.4, h=0.6))

17 normalizeData 数据标准化

normalizeData(x, type = "norm")

参数：
X 输入数据
Typ: 三种类型：’0_1’,’cenrter’,’norm’

18 normTrainingAndTestSet 标准化训练和测试集的函数

normTrainingAndTestSet(x, dontNormTargets = TRUE, type = "norm")

19 outputColumns 得到目标列

outputColumns(patterns)

20 plotActMap 画出热力图

21 plotIterativeError 画出一个rsnns的迭代误差

画出迭代中网络的训练和测试误差。

plotIterativeError(object, ...)

22 plotRegressionError 画出回归误差

真是值为x轴，预测值为y轴，画图。

plotRegressionError(targets, fits, ...)

23 plotROC 画出ROC曲线

plotROC(T, D, ...)

T： 预测
D： 目标

24 predict.rsnns 用神经网预测

predict(object, newdata, ...)

25 print.rsnns 打印网络

26 rbf 创建并训练一个基础径向基网络

rbf(x, y, size = c(5), maxit = 100,initFunc = "RBF_Weights", initFuncParams = c(0, 1, 0, 0.02, 0.04),learnFunc = "RadialBasisLearning", learnFuncParams = c(1e-05, 0, 1e-05,0.1, 0.8), updateFunc = "Topological_Order", updateFuncParams = c(0),shufflePatterns = TRUE, linOut = TRUE, inputsTest = NULL,targetsTest = NULL, ...)

27 rbfDDA创建并训练一个用DDA算法RBF

只能用来分类

rbfDDA(x, y, maxit = 1, initFunc = "Randomize_Weights",initFuncParams = c(-0.3, 0.3), learnFunc = "RBF-DDA",learnFuncParams = c(0.4, 0.2, 5), updateFunc = "Topological_Order",updateFuncParams = c(0), shufflePatterns = TRUE, linOut = FALSE, ...)

28 readPatFile 从一个pat文件中加载数据

29 SnnsRObject$genericPredictCurrPatSet 用已训练的网络预测

genericPredictCurrPatSet(units, updateFuncParams=c(0.0))

30 SnnsRObject$getAllHiddenUnits 获取网络的所有隐藏单元

getAllHiddenUnits()

31 SnnsRObject$getAllInputUnits 获取网络的所有输入单元

getAllInputUnits()

32 SnnsRObject$getAllOutputUnits 获取网络的所有输出单元

getAllOutputUnits()

33 SnnsRObject$getAllUnits 获取所有的单元

getAllUnits()

34 SnnsRObject$getAllUnitsTTyp 获取网络中某一类型的所有单元

getAllUnitsTType(ttype)

ttype可以为：

UNIT_OUTPUT,UNIT_INPUT,UNIT_HIDDEN

35 SnnsRObject$getCompleteWeightMatrix 获取完整的权值矩阵

getCompleteWeightMatrix(setDimNames)

36 SnnsRObject$getWeightMatrix 获取指定两个神经原的权值

getWeightMatrix(unitsSource, unitsTarget, setDimNames)

37SnnsRObject$initializeNet 初始化网络

initializeNet(parameterInArray, initFunc)

38 SnnsRObject$predictCurrPatSet 预测

predictCurrPatSet(outputMethod="reg_class", updateFuncParams=c(0.0))

39 SnnsRObject$resetRSNNS 重置网络

resetRSNNS()

40 SnnsRObject$setTTypeUnitsActFunc 将激活函数同意设置为某一类型

setTTypeUnitsActFunc(ttype, act_func)

41 SnnsRObject$setUnitDefaults 设置单元默认值

setUnitDefaults(act, bias, st, subnet_no, layer_no, act_func, out_func)

42 SnnsRObject$somPredictComponentMaps 计算SOM组件图

somPredictComponentMaps(updateFuncParams=c(0.0, 0.0, 1.0))

43 SnnsRObject$train 训练一个网络并测试每一次的迭代误差

train(inputsTrain, targetsTrain=NULL,initFunc="Randomize_Weights", initFuncParams=c(1.0, -1.0),learnFunc="Std_Backpropagation",learnFuncParams=c(0.2,0),updateFunc="Topological_Order",updateFuncParams=c(0.0),outputMethod="reg_class", maxit=100, shufflePatterns=TRUE,computeError=TRUE,inputsTest=NULL,targetsTest=NULL,pruneFunc=NULL,pruneFuncParams=NULL)

输出值为：
fitValues 拟合值，训练输入的输出
IterativeFitError 训练集每一步的残差平方和
testValues 测试输入的输出
IterativeTestError 测试集每一步的残差平方和

44 SnnsRObject$whereAreResults 得到一个网络的输出单元列表

whereAreResults(outputMethod="output")

outputMethod 参数有”art1”, “art2”,”artmap”, “assoz”, “som”, “output”。

45 Som 创建并训练一个自组织映射（SOM）

som(x, mapX = 16, mapY = 16, maxit = 100,initFuncParams = c(1, -1), learnFuncParams = c(0.5, mapX/2, 0.8, 0.8,mapX), updateFuncParams = c(0, 0, 1), shufflePatterns = TRUE,calculateMap=TRUE,calculateActMaps=FALSE,calculateSpanningTree=FALSE,saveWinnersPerPattern = FALSE,targets = NULL, ...)

46 splitForTrainingAndTest 将数据划分为训练和测试集

将数据集划分为训练和测试集，测试集取得是数据的结尾。
用法：

splitForTrainingAndTest(x, y, ratio = 0.15)

参数：
X: 输入
y: 目标

47 Summary.rsnns 总结rsnns对象

summary(object, origSnnsFormat = TRUE, ...)

48 toNumericClassLabels 将一个类标签向量转换成一个数值向量

toNumericClassLabels(x)

49 weightMatrix 从RSNNS中提取权值矩阵

weightMatrix(object, ...)

最后

以上就是寂寞红酒为你收集整理的R语言中的RSNNS包的全部内容，希望文章能够帮你解决R语言中的RSNNS包所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。