Не введение

Если вы читали заголовок, то должны знать, что в этой статье есть Часть 1. А поскольку я ленивый, вся необходимая подготовка данных находится там. Итак, сначала прочитайте это, пока не увидите заголовок Логистическая регрессия (если вы ищете только нейронную сеть)
 ЗДЕСЬ: https://medium.com/p/b76ae9da6118

Продолжая….

В любом случае, теперь, когда у вас есть все готовые данные, мы можем приступить к использованию нейронных сетей с предварительно созданной функцией, а затем создать свою собственную с помощью Keras. Эта статья не будет длинной.

Использование встроенной функции из пакета: nnet

Фу! Это определенно заняло около полутора минут, а точность, или R², составляет 95 %.

Вот и вся сеть. Да, это выглядит страшно, не так ли?

Создание NN с использованием Keras для R.

Теперь для тех, кто не знаком с Керасом,

Keras — это высокоуровневый API нейронных сетей, разработанный с акцентом на возможность быстрого экспериментирования.

1. Позволяет беспрепятственно выполнять один и тот же код на процессоре или графическом процессоре.
2. Удобный для пользователя API, упрощающий быстрое создание прототипов моделей глубокого обучения.
3. Встроенная поддержка сверточных сетей. (для компьютерного зрения), рекуррентные сети (для обработки последовательности) и любая комбинация того и другого.
4. Поддерживает произвольные сетевые архитектуры: модели с несколькими входами или несколькими выходами, совместное использование слоев, совместное использование моделей и т. д. Это означает что Keras подходит для создания практически любой модели глубокого обучения, от сети памяти до нейронной машины Тьюринга.
5. Может работать поверх нескольких серверных частей, включая TensorFlow, CNTK или Theano.

Теперь, если вы хотите узнать, как использовать Keras в R, перейдите на этот веб-сайт https://keras.rstudio.com/, узнайте, как его установить, а затем продолжите эту статью. Также, пожалуйста, узнайте, как использовать KERAS, это очень просто.

Нет серьезно, я подожду.

Хорошо, теперь, когда мы это сделали, я буду выполнять код и обучать его на своем графическом процессоре nVidia GeForce 920m. (Что вы ожидали? GTX 1080? Титан?)

В НАСТОЯЩЕЕ ВРЕМЯ,

Когда обучение завершится, мы получим следующий график

У нас впечатляющая точность 98%!

УХ ТЫ, ПОТРЯСАЮЩЕ.

Подводя итоги, мы имеем следующие результаты.

  1. Встроенная логистическая регрессия — 94%
  2. Пользовательская логистическая регрессия — 94%
  3. Встроенная нейронная сеть — 95%
  4. Нейронная сеть с Keras — 98%

Вот и все, и фу, это была настоящая процедура. Теперь я знаю, что не очень много объяснял обо всей процедуре, потому что чувствовал, что большая ее часть говорит сама за себя. Но, пожалуйста, дайте мне знать, если вам нужно подробное или краткое объяснение кода, и я обязательно обновлю статью.
С другой стороны, вы можете напрямую загрузить весь мой проект, чтобы начать работу. Ссылка дана в конце.

Если вы обнаружите какие-либо «ошибки» в моем письме или моих методах, пожалуйста, прокомментируйте их и дайте мне знать, потому что я не эксперт. Если я заслуживаю аплодисментов Джокера или стоячих аплодисментов, пожалуйста, делайте это :D

*улыбается и машет публике*

Источники и ссылки

ИСТОЧНИК

  1. Набор данных https://archive.ics.uci.edu/ml/datasets/Occupancy+Detection+/
  2. Проект
    https://github.com/rvndbalaji/Occupancy-Detection

ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА

  1. https://rstudio-pubs-static.s3.amazonaws.com/274530_1c1743ffe1f44d83945c32228fb5d5ff.html
  2. https://analyticsindiamag.com/artificial-neural-networks-101/
  3. https://www.r-bloggers.com/logistic-regression-with-r-step-by-step-implementation-part-1/
  4. https://selbydavid.com/2018/01/09/нейронная сеть

КОНЕЦ