第一次在R中与neuralnet合作：get"；需要数字/复数矩阵/向量参数”；

我正在尝试学习在R中使用神经网络。作为一个学习问题，我一直在使用over at：

别担心，这个问题是专门为人们学习而设计的，没有任何回报

我从一个简单的逻辑回归开始，这对我的脚湿透很有帮助。现在我想学习使用神经网络。我的培训数据如下所示（列：行）：

我的起始R代码如下所示：

> net <- neuralnet(survived ~ pclass + sex + age + sibsp +
                   parch + ticket + fare + cabin + embarked, 
                   train, hidden=10, threshold=0.01)

我知道问题出在我展示输入变量的方式上，但我是个新手，不知道我需要做什么来纠正这个问题。有人能帮忙吗

---

谢谢

在盲目地将数据提供给计算机之前， 看看它是个好主意：

d <- read.csv("train.csv")
str(d)
# 'data.frame': 891 obs. of  12 variables:
#  $ PassengerId: int  1 2 3 4 5 6 7 8 9 10 ...
#  $ Survived   : int  0 1 1 1 0 0 0 0 1 1 ...
#  $ Pclass     : int  3 1 3 1 3 3 1 3 3 2 ...
#  $ Name       : Factor w/ 891 levels "Abbing, Mr. Anthony",..: 109 191 358 277 16 559 520 629 417 581 ...
#  $ Sex        : Factor w/ 2 levels "female","male": 2 1 1 1 2 2 2 2 1 1 ...
#  $ Age        : num  22 38 26 35 35 NA 54 2 27 14 ...
#  $ SibSp      : int  1 1 0 1 0 0 0 3 0 1 ...
#  $ Parch      : int  0 0 0 0 0 0 0 1 2 0 ...
#  $ Ticket     : Factor w/ 681 levels "110152","110413",..: 524 597 670 50 473 276 86 396 345 133 ...
#  $ Fare       : num  7.25 71.28 7.92 53.1 8.05 ...
#  $ Cabin      : Factor w/ 148 levels "","A10","A14",..: 1 83 1 57 1 1 131 1 1 1 ...
#  $ Embarked   : Factor w/ 4 levels "","C","Q","S": 4 2 4 4 4 3 4 4 4 2 ...
summary(d)

当数据中有因子或字符变量时，会出现错误消息“需要数字/复杂矩阵/向量参数”

有三种方法可以解决此问题：

删除变量

如果变量是有序因子，请改用整数

如果变量是字符，则将其转换为因子，然后再转换为伪变量

---

您可以使用上面提到的model.matrix（）或nnet包中的class.ind（）函数将因子转换为伪变量

首先看看你的数据，我相信你已经把所有的数据转换成了数值。例如CAB=c85，这是什么意思？如果您将此类型的值转换为数值，您的问题将得到解决。谢谢！这正是我希望得到的回应。感谢您花时间回复如此详细的信息。谢谢您！我有一个问题@VincentZoonekynd，对于哪些变量适用于

模型是否有明确的规则。矩阵

转换？@llorgge：所有定性变量，即

因子

（或

字符

）类型的变量，都将转换为虚拟变量。但是由于数字变量是保留的，未经转换的，所以实际上您可以放置所有变量。谢谢！最后一个问题，在

model.matrix

之后，您建议可以在

neuralnet

中使用的因子值的限制数量是多少？我担心会丢失一些因子变量，这些变量的值从2到200不等。@llorgge：你可能应该继续问。令我惊讶的是，SPSS需要你将因子变量分别放在指定的框中。

Error in neurons[[i]] %*% weights[[i]] : 
  requires numeric/complex matrix/vector arguments

d <- read.csv("train.csv")
str(d)
# 'data.frame': 891 obs. of  12 variables:
#  $ PassengerId: int  1 2 3 4 5 6 7 8 9 10 ...
#  $ Survived   : int  0 1 1 1 0 0 0 0 1 1 ...
#  $ Pclass     : int  3 1 3 1 3 3 1 3 3 2 ...
#  $ Name       : Factor w/ 891 levels "Abbing, Mr. Anthony",..: 109 191 358 277 16 559 520 629 417 581 ...
#  $ Sex        : Factor w/ 2 levels "female","male": 2 1 1 1 2 2 2 2 1 1 ...
#  $ Age        : num  22 38 26 35 35 NA 54 2 27 14 ...
#  $ SibSp      : int  1 1 0 1 0 0 0 3 0 1 ...
#  $ Parch      : int  0 0 0 0 0 0 0 1 2 0 ...
#  $ Ticket     : Factor w/ 681 levels "110152","110413",..: 524 597 670 50 473 276 86 396 345 133 ...
#  $ Fare       : num  7.25 71.28 7.92 53.1 8.05 ...
#  $ Cabin      : Factor w/ 148 levels "","A10","A14",..: 1 83 1 57 1 1 131 1 1 1 ...
#  $ Embarked   : Factor w/ 4 levels "","C","Q","S": 4 2 4 4 4 3 4 4 4 2 ...
summary(d)

m <- model.matrix( 
  ~ Survived + Pclass + Sex + Age + SibSp + Parch + Fare + Embarked, 
  data = d 
)
head(m)
library(neuralnet)
r <- neuralnet( 
  Survived ~ Pclass + Sexmale + Age + SibSp + Parch + Fare + EmbarkedC + EmbarkedQ + EmbarkedS, 
  data=m, hidden=10, threshold=0.01
)