我对R中的机器学习技术和编程都比较陌生，目前我正在努力使神经网络适应我的一些数据。然而，由此产生的神经网络预测对我来说没有意义。我查看了StackOverflow但找不到解决此问题的方法。
我的数据（这是测试集的一部分，训练集的格式相同）
target monday tuesday wednesday thursday friday saturday indepedent
428 277 1 0 0 0 0 0 3317
429 204 0 1 0 0 0 0 1942
430 309 0 0 1 0 0 0 2346
431 487 0 0 0 1 0 0 2394
432 289 0 0 0 0 1 0 2023
433 411 0 0 0 0 0 1 1886
434 182 0 0 0 0 0 0 1750
435 296 1 0 0 0 0 0 1749
436 212 0 1 0 0 0 0 1810
437 308 0 0 1 0 0 0 2021
438 378 0 0 0 1 0 0 2494
439 329 0 0 0 0 1 0 2110
440 349 0 0 0 0 0 1 1933
我的代码
resultsnn <- neuralnet(target~monday+tuesday+wednesday+thursday+friday+saturday+independent,data=training,hidden=3,threshold=0.01,linear.output = TRUE)
compute(resultsnn,test[,2:8])$net.result
我的结果（所有测试集案例的预测值相同）
[,1]
428 508.4962231
429 508.4962231
430 508.4962231
431 508.4962231
432 508.4962231
433 508.4962231
434 508.4962231
435 508.4962231
436 508.4962231
437 508.4962231
438 508.4962231
439 508.4962231
440 508.4962231
我还尝试了什么？
我尝试过没有傻瓜的版本（只包含自变量，这不会改变结果的类型）
我已经创建了一些合成数据并将其用作输入，对于相同的代码，这可以正常工作：
#building training set
input_train <- as.data.frame(c(1:100))
output_train <- as.data.frame(c(sqrt((1:100)+1)))
train <- cbind.data.frame(output_train,input_train)
colnames(train) <- c("output","input")
#building test set
input_test <- as.data.frame(c(101:150))
output_test <- as.data.frame(c(sqrt((101:150)+1)))
test <- cbind.data.frame(output_test,input_test)
colnames(test) <- c("output","input")
#NEURALNET PACKAGE
#neural network 3 neurons
res.train <- neuralnet(output~input,data=train,hidden=3,threshold=0.01) #train nn
compute(res.train,test[,2])$net.result #predict using nn on test set
我还尝试了其他软件包（例如， nnet 和 RSNNS ），但这些软件包在使用合成数据时已无法提供正确的预测。
一些其他信息
有关数据类型的一些其他信息：
str(test)
'data.frame': 82 obs. of 8 variables:
$ target : int 277 204 309 487 289 411 182 296 212 308 ...
$ monday : int 1 0 0 0 0 0 0 1 0 0 ...
$ tuesday : int 0 1 0 0 0 0 0 0 1 0 ...
$ wednesday : int 0 0 1 0 0 0 0 0 0 1 ...
$ thursday : int 0 0 0 1 0 0 0 0 0 0 ...
$ friday : int 0 0 0 0 1 0 0 0 0 0 ...
$ saturday : int 0 0 0 0 0 1 0 0 0 0 ...
$ independent: int 3317 1942 2346 2394 2023 1886 1750 1749 1810 2021 ...
str(training)
'data.frame': 397 obs. of 8 variables:
$ target : int 1079 1164 1069 1038 629 412 873 790 904 898 ...
$ monday : int 0 0 0 0 0 0 1 0 0 0 ...
$ tuesday : int 1 0 0 0 0 0 0 1 0 0 ...
$ wednesday : int 0 1 0 0 0 0 0 0 1 0 ...
$ thursday : int 0 0 1 0 0 0 0 0 0 1 ...
$ friday : int 0 0 0 1 0 0 0 0 0 0 ...
$ saturday : int 0 0 0 0 1 0 0 0 0 0 ...
$ independent: int 2249 2381 4185 2899 2387 2145 2933 2617 2378 3569 ...
如果您需要任何其他信息，请与我们联系！谢谢你的帮助（：
答案 0 :(得分：2)
看起来目标和独立之间没有信号。暂时忽略工作日，如果适合使用和不使用渐变的线性模型：
# a linear model looking at response with indepedent (with intercept)
lm1 <- lm(target ~ indepedent, data = training)
lm1
#
# Call:
# lm(formula = target ~ indepedent, data = training)
#
# Coefficients:
# (Intercept) indepedent
# 206.37312594 0.04853823
# intercept only
lm0 <- lm(target ~ 1, data = training)
lm0
#
# Call:
# lm(formula = target ~ 1, data = training)
#
# Coefficients:
# (Intercept)
# 310.0769
# two models of the data equivalent to possible outcomes
plot(target ~ indepedent, data = training)
lines(fitted(lm1) ~ indepedent, data = training, lty = 2)
lines(fitted(lm0) ~ indepedent, data = training, col = 2)
...首选拦截模型：
# test which model is better
# large p-value suggests we're happy accepting the simple model
anova(lm0, lm1)
# Analysis of Variance Table
#
# Model 1: target ~ 1
# Model 2: target ~ indepedent
# Res.Df RSS Df Sum of Sq F Pr(>F)
# 1 12 86990.923
# 2 11 81792.165 1 5198.7582 0.69917 0.42086
head(fitted(lm0))
# 428 429 430 431 432 433
# 310.0769231 310.0769231 310.0769231 310.0769231 310.0769231 310.0769231
所以这就是机器学习方法也告诉你的。简单模型为每个独立值预测单个目标值。添加工作日变量显然不会改善这一点。
您看到了您的玩具示例的预测，因为响应中有强烈的信号。