R 基于MLP神经网络的预测
我正试图用R编写一个代码，用MLP神经网络预测美元/欧元的汇率我遇到了一个函数neuralnet的问题，它显示了一个错误： 神经元[[i]]%*%权重[[i]]中的错误：R 基于MLP神经网络的预测,r,neural-network,mlp,R,Neural Network,Mlp,我正试图用R编写一个代码，用MLP神经网络预测美元/欧元的汇率我遇到了一个函数neuralnet的问题，它显示了一个错误： 神经元[[i]]%*%权重[[i]]中的错误： 需要数字/复数矩阵/向量参数 这是迄今为止我编写的代码 library(readxl) ExchangeUSD <- read_excel("C:/Users/GTS/Desktop/ML project/ExchangeUSD.xlsx") plot(ExchangeUSD$USD) #traning and tes
需要数字/复数矩阵/向量参数 这是迄今为止我编写的代码
library(readxl)
ExchangeUSD <- read_excel("C:/Users/GTS/Desktop/ML project/ExchangeUSD.xlsx")
plot(ExchangeUSD$USD)
#traning and test data
trainset <- ExchangeUSD[1:350,]
testset <- ExchangeUSD[351:500,]
set.seed(12345)
library(neuralnet)
nn <- neuralnet(USD ~ date + Wdy, data = trainset,hidden = 2)
库（readxl）
ExchangeUSD在上面的示例中，您试图使用date来训练模型，这是错误的，因为neuralnet
只能理解因子
和数字
。如果您想在模型中包含一些时间序列因素，请使用R提供的时间序列分析
此外，您试图仅使用一个或两个预测值来训练神经网络，因此它将严重拟合过度，您的分析将有偏差
你的问题只包括三栏，即：<代码>日期
，wdy
（实际上是星期一）和美元
（价格）。在这种情况下，使用神经网络是没有意义的，因为您没有训练模型的功能。您的数据基本上是一个时间序列，因此请使用回归和其他线性算法。（也可以选择前面提到的timeseries
）
尽管我在下面分享了如何训练一个好的mlp
模型
下面是使用RSNNS
包在R中使用多层感知器模型的简单示例。我使用了非常基本的iris
数据集
代码如下：
library(RSNNS)
data(iris)
iris <- iris[sample(1:nrow(iris),length(1:nrow(iris))),1:ncol(iris)]
irisValues <- iris[,1:4]
irisTargets <- decodeClassLabels(iris[,5])
iris <- splitForTrainingAndTest(irisValues, irisTargets, ratio=0.15)
iris <- normTrainingAndTestSet(iris)
model <- mlp(iris$inputsTrain, iris$targetsTrain, size=5, learnFuncParams=c(0.1),
maxit=50, inputsTest=iris$inputsTest, targetsTest=iris$targetsTest)
summary(model)
#model
#weightMatrix(model)
#extractNetInfo(model)
par(mfrow=c(2,2))
#plotIterativeError(model)
#predictions <- predict(model,iris$inputsTest)
#plotRegressionError(predictions[,2], iris$targetsTest[,2])
confusionMatrix(iris$targetsTrain,fitted.values(model))
confusionMatrix(iris$targetsTest,predictions)
neuralnet
软件包的主要问题是，它只创建简单且非常基本的神经网络，而很少进行定制。与neuralnet
相比，上述RSNNS
软件包提供了更多的附加功能
但是如果你想尝试更深入的网络，我建议你使用mxnet
，以及keras
R扩展。对于这个时间序列分析，你可以使用自回归模型。首先，您必须创建滞后输入集并创建一个数据帧。在下面的代码块中，有4个输入集包含一个滞后、两个滞后和三个滞后。（阅读更多有关自回归模型的信息-[https://otexts.com/fpp2/AR.html][1] )
exchangeEUR%
清洁工：：清洁_名称（）%>%
突变（日期=年月日（yyyy）月日））%>%
选择（-1）%>%
选择（日期，所有内容（））
欧元兑换额=欧元%>%
突变（前一天设置=滞后（兑换欧元$usd欧元，1），
前一天设置=滞后（兑换美元欧元，1），
前两天设置=滞后（兑换美元欧元，2），
前一天设置=滞后（兑换欧元$usd\eur，1），
前两天设置=滞后（兑换欧元$usd\U eur，2），
前三天设置=滞后（兑换欧元$usd\U eur，3），
前一天设置=滞后（兑换美元欧元，1），
前两天设置=滞后（兑换美元欧元，2），
五天滚动=滚动平均值（美元欧元，5，填充=NA），
十天滚动=滚动平均值（美元欧元，10，填充=NA））%>%
滴_na（）
规范化数据
# We can create a function to normalize the data from 0 to 1
normalize <- function(x) {
return ((x - min(x)) / (max(x) - min(x))) }
# All the variables are normalized
normalized_eur = eur_exchange_full %>%
mutate(across(2:12, ~normalize(.x)))
# Look at the data that has been normalized
summary(normalized_eur)
boxplot(normalized_eur$usd_eur)
set.seed(123)
eur_train <- normalized_eur[1:400,]
eur_test <- normalized_eur[401:491,]
# We can create a function to unnormalize the data=
unnormalize <- function(x, min, max) {
return( (max - min)*x + min ) }
# Get the min and max of the original training values
eur_min_train <- min(eur_exchange_full[1:400,2])
eur_max_train <- max(eur_exchange_full[1:400,2])
# Get the min and max of the original testing values
eur_min_test <- min(eur_exchange_full[401:491,2])
eur_max_test <- max(eur_exchange_full[401:491,2])
# Check the range of the min and max of the training dataset
eur_min_test
eur_min_train
eur_max_test
eur_max_train
#我们可以创建一个函数，将数据从0规范化为1
正常化%
变异（跨越（2:12，~normalize（.x）））
#查看已规范化的数据
汇总（欧元）
箱线图（标准化欧元$usd欧元）
种子集（123）
如果问题得到解决，请投票并接受答案
predictions
targets 1 2 3
1 40 0 0
2 0 43 3
3 0 1 40
predictions
targets 1 2 3
1 10 0 0
2 0 4 0
3 0 0 9
exchangeEUR <- read_excel("ExchangeUSD.xlsx") %>%
janitor::clean_names() %>%
mutate(date_in_ymd = ymd(yyyy_mm_dd)) %>%
select(-1) %>%
select(date_in_ymd,everything())
eur_exchange_full = exchangeEUR %>%
mutate(previous_one_day_set_a = lag(exchangeEUR$usd_eur,1),
previous_one_day_set_b = lag(exchangeEUR$usd_eur,1),
previous_two_day_set_b = lag(exchangeEUR$usd_eur,2),
previous_one_day_set_c = lag(exchangeEUR$usd_eur,1),
previous_two_day_set_c = lag(exchangeEUR$usd_eur,2),
previous_three_day_set_c = lag(exchangeEUR$usd_eur,3),
previous_one_day_set_d = lag(exchangeEUR$usd_eur,1),
previous_two_day_set_d = lag(exchangeEUR$usd_eur,2),
five_day_rolling = rollmean(usd_eur,5, fill = NA),
ten_day_rolling = rollmean(usd_eur,10, fill = NA)) %>%
drop_na()
# We can create a function to normalize the data from 0 to 1
normalize <- function(x) {
return ((x - min(x)) / (max(x) - min(x))) }
# All the variables are normalized
normalized_eur = eur_exchange_full %>%
mutate(across(2:12, ~normalize(.x)))
# Look at the data that has been normalized
summary(normalized_eur)
boxplot(normalized_eur$usd_eur)
set.seed(123)
eur_train <- normalized_eur[1:400,]
eur_test <- normalized_eur[401:491,]
# We can create a function to unnormalize the data=
unnormalize <- function(x, min, max) {
return( (max - min)*x + min ) }
# Get the min and max of the original training values
eur_min_train <- min(eur_exchange_full[1:400,2])
eur_max_train <- max(eur_exchange_full[1:400,2])
# Get the min and max of the original testing values
eur_min_test <- min(eur_exchange_full[401:491,2])
eur_max_test <- max(eur_exchange_full[401:491,2])
# Check the range of the min and max of the training dataset
eur_min_test
eur_min_train
eur_max_test
eur_max_train
set.seed(12345)
# function setup that creates 2 layer model
model_two_hidden_layers = function(hidden,sec_hidden) {
nn_model_true = neuralnet(usd_eur ~ previous_one_day_set_b+previous_two_day_set_b, data=eur_train, hidden=c(
hidden,sec_hidden), linear.output=TRUE)
#plot(nn_model_true)
pred <- predict(nn_model_true, eur_test)
validation_df <- data.frame(c(eur_test$date_in_ymd),c(pred),c(eur_test$usd_eur))
p = ggplot() +
geom_line(data = validation_df, aes(x = c.eur_test.date_in_ymd., y = c.pred.), color = "blue") +
geom_line(data = validation_df, aes(x = c.eur_test.date_in_ymd., y = c.eur_test.usd_eur.), color = "red") +
xlab('Dates') +
ylab('percent.change')
print(p)
train_results = compute(nn_model_true,eur_test[,2:3])
truthcol = eur_exchange_full[401:491,2]$usd_eur
predcol = unnormalize(train_results$net.result,eur_min_train, eur_max_train)[,1]
relevant_pred_stat(truthcol,predcol,
"Two Hidden Layers") %>%
mutate(hiddel_layers = paste0(hidden, " and ",sec_hidden),
input_set = "B") %>%
filter(.metric != "rsq")
}
model_two_hidden_layers(2,3)
# save the stat indices to a dataframe
set_a_models_two_layers = results_two_hidden_layers %>%
select(-estimator) %>%
pivot_wider(names_from = metric, values_from = estimate) %>%
arrange(rmse)
kable(set_a_models_two_layers[1:10,])
##########################################################################
# three layer model
set.seed(12345)
# function setup that creates 3 layer model
model_three_hidden_layers = function(hidden,sec_hidden,third_hidden) {
nn_model_true = neuralnet(usd_eur ~ previous_one_day_set_b+previous_two_day_set_b, data=eur_train, hidden=c(hidden,sec_hidden,third_hidden), linear.output=TRUE)
#plot(nn_model_true)
pred <- predict(nn_model_true, eur_test)
validation_df <- data.frame(c(eur_test$date_in_ymd),c(pred),c(eur_test$usd_eur))
################
p = ggplot() +
geom_line(data = validation_df, aes(x = c.eur_test.date_in_ymd., y = c.pred.), color = "blue") +
geom_line(data = validation_df, aes(x = c.eur_test.date_in_ymd., y = c.eur_test.usd_eur.), color = "red") +
xlab('Dates') +
ylab('percent.change')
print(p)
################
train_results = compute(nn_model_true,eur_test[,2:3])
truthcol = eur_exchange_full[401:491,2]$usd_eur
predcol = unnormalize(train_results$net.result,eur_min_train, eur_max_train)[,1]
relevant_pred_stat(truthcol,predcol,
"Three Hidden Layers") %>%
mutate(hiddel_layers = paste0(hidden, " and ",sec_hidden," and ",third_hidden),
input_set = "A") %>%
filter(.metric != "rsq")
}
model_three_hidden_layers(7,4,1)