R神经网络包隐藏神经元，单vs向量参数[关闭]答案

【问题标题】：R neural net package hidden neurons, single vs vector argument [closed]R神经网络包隐藏神经元，单vs向量参数[关闭]
【发布时间】：2020-06-11 21:57:41
【问题描述】：

在 R 神经网络包中，隐藏神经元的单个数字参数和向量参数有什么区别？例如隐藏 = 100 与隐藏 = c(100,50)

【问题讨论】：

标签： r machine-learning deep-learning neural-network data-science

【解决方案1】：

你用它来提供 2 个信息，层数，也就是向量的长度，以及每层的神经元数量。

所以在你的问题中，neuralnet(..hidden=100) 表示 1 层有 100 个神经元，而 neuralnet(..hidden=c(100,50)) 表示 2 层，第 1 层 100 和第 2 层 50。

我们可以通过查看包含估计的连接权重的结果矩阵来看到这一点：

fit = neuralnet(Species == "setosa" ~ ., iris, linear.output = FALSE,hidden=2)
fit$result.matrix

                                         [,1]
error                             0.008141255
reached.threshold                 0.008900248
steps                            48.000000000
Intercept.to.1layhid1            -0.996032931
Sepal.Length.to.1layhid1          0.433339769
Sepal.Width.to.1layhid1          -1.178668127
Petal.Length.to.1layhid1         -0.483878954
Petal.Width.to.1layhid1           4.399508265
Intercept.to.1layhid2             1.764932246
Sepal.Length.to.1layhid2         -0.748650261
Sepal.Width.to.1layhid2           3.602604148
Petal.Length.to.1layhid2         -2.226669079
Petal.Width.to.1layhid2          -3.210541627
Intercept.to.Species == "setosa" -1.422643815
1layhid1.to.Species == "setosa"  -3.596971312
1layhid2.to.Species == "setosa"   6.205140270

所以你在该层中只有 1 层和 2 个隐藏神经元，它们连接到变量和输出层。

如果你这样做：

fit = neuralnet(Species == "setosa" ~ ., iris, linear.output = FALSE,hidden=c(2,1))
fit$result.matrix

                                         [,1]
error                             0.010978699
reached.threshold                 0.007306809
steps                            92.000000000
Intercept.to.1layhid1             4.616674345
Sepal.Length.to.1layhid1          3.342501151
Sepal.Width.to.1layhid1           4.367109042
Petal.Length.to.1layhid1          5.385330435
Petal.Width.to.1layhid1           1.402765434
Intercept.to.1layhid2            -3.828104421
Sepal.Length.to.1layhid2          1.013023746
Sepal.Width.to.1layhid2          -6.037198731
Petal.Length.to.1layhid2          3.705741605
Petal.Width.to.1layhid2           7.993464809
Intercept.to.2layhid1            -2.075821677
1layhid1.to.2layhid1             -2.550031126
1layhid2.to.2layhid1              9.393164468
Intercept.to.Species == "setosa"  4.146671533
2layhid1.to.Species == "setosa"  -8.957645357

它与之前类似，只是现在您有一个带有一个神经元的第二层，并且它连接到输出层。

【讨论】：