R 神经网络训练结果负输出

我正在使用r中的neuralnet软件包，用五个输入变量预测河流的流量

“df”是包含六列原始数据的数据帧，前五列作为输入，最后一列作为输出。 使用RSNNS包在0到1范围内对数据进行规范化

library(RSNNS)
norm_data <- data.frame(normalizeData(df, type = "0_1"))

我尝试用不同的测试数据集测试模型（测试和训练数据都是使用相同模式规范化的数据集的子集，75%的训练和25%的测试），但模型的性能并不令人满意（Nash小于40%）。测试输出包含更大的负值

---

我的问题是：虽然训练数据在0到1之间，但为什么训练结果是负数？测试时，这会如何影响模型的性能？这是怎么解决的？Thanx提前。

我没有使用此软件包的经验，但看看

neuralnet

函数中的公式，我相信您的

出院

变量是一个连续变量。理论上，一个连续变量可以在实线的任何地方（从负无穷大到正无穷大）变化。没有任何东西可以告诉神经网络限制对

[0，1]

的响应。为了解决这个问题，如果你真的希望你的预测在

[0，1]

中，你可以手动将你的预测限制在

[0，1]

中，或者在将响应放入神经网络之前对其应用一个转换。例如，转换可以是logit转换

log（放电）/（1-exp））

（这将为您提供一个介于0和1之间的预测值）。然后，一旦获得预测值，您就可以通过对注释执行

exp（pred）/（1+exp（pred））

.thanx@jav来反转转换。neuralnet函数使用一个sigmoid函数'f（x）=1/（1+exp（-x）'要在0到1之间的隐藏节点和输出节点中传输输入信号。@H.Paudel，您找到问题的解决方案了吗？我也有同样的问题。如果您能分享解决方案，我将非常高兴。我没有使用此软件包的经验，但查看

neuralnet

函数中的公式，我相信您的<代码>排放量变量是一个连续变量。理论上，连续变量可以在实线上的任何位置（从负无穷大到正无穷大）变化。没有任何东西可以告诉神经网络限制对

[0，1]

的响应。要解决这个问题，如果你真的希望你的预测在

[0，1]中

，您可以手动将预测限制为

[0,1]

，或者在将响应放入神经网络之前对其应用转换。例如，转换可以是logit转换

日志（放电/（1-放电））

（这将为您提供介于0和1之间的预测）。然后，一旦获得预测值，就可以通过执行

exp（pred）/（1+exp（pred））

.thanx@jav来反转转换。neuralnet函数使用sigmoid函数'f（x）=1/（1+exp（-x）'要在0到1之间的隐藏节点和输出节点中传输输入信号。@H.Paudel，您找到问题的解决方案了吗？我也有同样的问题。如果您能分享解决方案，我将非常高兴。

trn_data <- norm_data[1:2557,]

library(neuralnet)
trn <- neuralnet(discharge~rain+temp+humid+sun+d_disch,trn_data,hidden = 10, threshold = 0.01)

Min.         1st Qu.          Median            Mean         3rd Qu. 
-0.008131191000 -0.002250917000 -0.001022112000 -0.001596980000 -0.000471144100 
           Max. 
-0.000000928481