R 使用神经网络进行治疗的分类/概率

我有10000次观察。有3个变量。第一个变量d是二进制的，取值为0和1（这是治疗分配）。另外两个变量是x和z，它们是连续的

我想用R中的神经网络来预测接受治疗的概率

我使用的命令如下所示：

nn = neuralnet(d~x+z, data2, hidden = 1, threshold = 0.01, linear.output = TRUE)

h=prediction(nn)

data_nn = h$rep1

这个想法是预测会给我一个包含概率的变量。虽然这种方法适合数据，但我发现一些估计概率大于1。我想知道这样做是否正确

---

或者有没有一种单独的方法来指定neuralnet命令这是一个分类问题（与回归问题相反），并且输出需要是一个类中存在的概率？

我相信您必须使用一个因变量的热编码，例如，如果d有三个类别，您必须创建这些类别的二进制类，因此类似于d1+d2+d3~x+z，同样在函数中，您应该使用，linear.output=F和act.fct='logistic'。我不能完全回答，因为我没有你的数据集。但我可以看出这些都是一些问题，如果你解决了它们，我希望你最终会得到一些可能性。@PKumar这些调整奏效了。因为d本身是二进制的，所以我不必创建类别。我需要在这里进行交叉验证吗？你知道有什么资源可以指导我吗？我的最终目标是获得概率的最佳估计。这里有一个：另一个：