আমি নিউরাল নেটওয়ার্কগুলির সাথে মডেলিংয়ে নতুন, তবে আমি পর্যবেক্ষণের ডেটা ভালভাবে ফিট করে এমন সমস্ত উপলভ্য ডেটা পয়েন্ট সহ একটি নিউরাল নেটওয়ার্ক স্থাপন করতে সক্ষম হয়েছি। নিউটাল প্যাকেজটির সাহায্যে নিউরাল নেটওয়ার্কটি আরয়ে করা হয়েছিল:
require(nnet)
##33.8 is the highest value
mynnet.fit <- nnet(DOC/33.80 ~ ., data = MyData, size = 6, decay = 0.1, maxit = 1000)
mynnet.predict <- predict(mynnet.fit)*33.80
mean((mynnet.predict - MyData$DOC)^2) ## mean squared error was 16.5
আমি যে তথ্যটি বিশ্লেষণ করছি তা নীচের মত দেখাচ্ছে, যেখানে ডিওসিটি হল পরিবর্তনশীল যা মডেল করতে হবে (প্রায় 17,000 পর্যবেক্ষণ রয়েছে):
Q GW_level Temp t_sum DOC
1 0.045 0.070 12.50 0.2 11.17
2 0.046 0.070 12.61 0.4 11.09
3 0.046 0.068 12.66 2.8 11.16
4 0.047 0.050 12.66 0.4 11.28
5 0.049 0.050 12.55 0.6 11.45
6 0.050 0.048 12.45 0.4 11.48
এখন, আমি পড়েছি যে মডেলটি 70% ডেটা পয়েন্টের সাথে প্রশিক্ষিত হওয়া উচিত, এবং 30% ডেটা পয়েন্টের সাথে বৈধ হওয়া উচিত। আমি এটা কিভাবে করবো? আমার কোন কাজগুলি ব্যবহার করতে হবে?
আকার এবং ক্ষয়ের জন্য প্যারামিটারগুলি গণনা করতে আমি ক্যারেট প্যাকেজ থেকে ট্রেনের ফাংশনটি ব্যবহার করেছি।
require(caret)
my.grid <- expand.grid(.decay = c(0.5, 0.1), .size = c(5, 6, 7))
mynnetfit <- train(DOC/33.80 ~ ., data = MyData, method = "nnet", maxit = 100, tuneGrid = my.grid, trace = f)
যে কোনও সরাসরি সহায়তা বা অন্যান্য ওয়েবসাইট / পোস্টের লিঙ্কেজ প্রশংসিত হয়।
6
প্রকৃতপক্ষে, ট্রেন / পরীক্ষার বিভাজন পদ্ধতিটি সাবপার, কারণ আপনার অ্যালগরিদমের পারফরম্যান্স আপনার পছন্দসই বিভাজন পয়েন্টের ভিত্তিতে কিছুটা আলাদা হতে পারে (আমি ৫% পার্থক্য দেখেছি ...)। আরও ভাল পদ্ধতি ক্রস বৈধতা।
—
জন ডুয়েস্ট