【正文】 可以接受的程度，或者預先設定的學習次數(shù)為止。如下圖所示它的特點是：各層神經元僅與相鄰層神經元之間相互全連接，同層內神經元之間無連接，各層神經元之間無反饋連接，構成具有層次結構的前饋型神經網絡系統(tǒng)。(一).數(shù)據(jù)預處理首先，將降雨量的最后一個數(shù)據(jù)中的空格消除，再把原始數(shù)據(jù)的前兩列合并為一列，并保存為CSV（逗號分隔）格式，之后用函數(shù)將數(shù)據(jù)讀入到R的內存中。39。同時給出各類別下的樣本量個數(shù)。從原始數(shù)據(jù)中可知樣本量為54，不是很多，如果再進行分塊，可能由于樣本量的限制無法得到最好的結果，因此，下文中的訓練集和測試集均選用原始數(shù)據(jù)來充當。date39。x139。x239。x339。x439。y39。 attach(x)(二).判別分析安裝并加載軟件包MASS。 ldalda(y~.,data=x) 線性判別 ldaCall:lda(y ~ ., data = x)Prior probabilities of groups: 1 2 3 4 Group means: x1 x2 x3 x41 2 3 4 Coefficients of linear discriminants: LD1 LD2 LD3x1 x2 x3 x4 Proportion of trace: LD1 LD2 LD3 輸出結果的第二項為此次過程中各類別所使用的先驗概率，其實就是訓練集中判別變量各水平下的數(shù)量占總樣本量的比例。第四項給出線性判別式的參數(shù)矩陣。 plot(lda)從上圖可以看到，在3個線性判別式下1～4這4個類別的分布情況，不同類別樣本已經用相應數(shù)字標出。下面用上述模型對測試集進行預測，并給出測試集中y變量的預測結果與實際類別的混淆矩陣。在54個測試樣本中，實際屬于第1類的有35個，而由判定結果，在35個樣本中，有32個判定正確，有3個被錯判為第4類；第2類只有1個判定正確，有2個被錯判為第1類，3個被錯判為第4類；第3類沒有一個判定正確；第4類有5個判定正確，6個被錯判為第1類。 e_ldasum((pred$class)!=y)/nrow(x) e_lda[1] 通過計算，%，可以看出該模型的預測效果并不好，因此需要進一步的改進。 var=c(var(lda$means[,1]),var(lda$means[,2]),+ var(lda$means[,3]),var(lda$means[,4])) var[1] 從結果來看，x4在各類別下均值的方差相對其他三者而言差別較大，因此考慮將其剔除，然后重新進行線性判別分析。兩個模型各有好壞，但整體而言，都不是很好。然后直接運用模型來給出預測結果。 (“nnet”) library(nnet)首先在建模之前，先介紹軟件包nnet中的一個函數(shù)：()。下面通過一個簡單的例子來更清楚地表明該函數(shù)的功能。只是將樣本的類別用0和1來表示，即如果是該類，則在該類別名下用1表示，而其余的類別名下面用0表示。之后用核心函數(shù)nnet()來建立神經網絡模型。 pnew=(pred3) 確定測試集中每一個樣本所屬類別 table(y,pnew) 給出混淆矩陣 pnewy 1 2 3 4 1 33 1 0 1 2 2 4 0 0 3 0 0 1 1 4 1 0 0 10 e_esum(pnew!=y)/nrow(x) 計算誤判率 e_e[1] 從結果可以看出，%，相比較判別分析大幅度降低，說明該模型對測試集的預測效果很好。wts表示模型在迭代過程中所尋找到的最優(yōu)權重值，其取值為系統(tǒng)隨機生成，即每次建模所使用的迭代初始值都是不相同的。convergence表示在模型建立的迭代過程中，迭代次數(shù)是否達到最大迭代次數(shù)。如果結果沒有達到最大迭代次數(shù)，說明該模型可