R语言实战：从零构建BP神经网络模型及常见陷阱解析

1次阅读

共计 2125 个字符，预计需要花费 6 分钟才能阅读完成。

BP 神经网络在数据分析中常用于解决复杂的非线性问题，比如金融领域的信用评分预测、医疗诊断中的疾病分类，以及工业领域的设备故障检测。它能够通过学习数据中的隐藏模式，建立起输入与输出之间的映射关系，尤其适合处理特征间存在高阶交互的场景。

R 语言中有多个包可以实现 BP 神经网络，以下是三种常见方案的优缺点对比：

neuralnet 包
优点：语法简单，支持多层网络，内置权重可视化
缺点：计算速度较慢，不支持 GPU 加速
适用场景：教学演示和小型数据集
nnet 包
优点：运行速度快，基础统计包无需额外安装
缺点：只能实现单隐藏层，扩展性有限
适用场景：快速原型开发
keras 包
优点：支持深度学习，可调用 TensorFlow 后端
缺点：学习曲线陡峭，依赖 Python 环境
适用场景：大规模数据和复杂模型

首先需要对数据进行标准化处理，这是神经网络训练的必备步骤：

# 使用 scale 函数进行标准化
data(iris)
iris_scaled <- as.data.frame(scale(iris[1:4]))
iris_scaled$Species <- iris$Species  # 保留分类标签

# 查看标准化后的数据摘要
summary(iris_scaled)

使用 neuralnet 包构建一个双层神经网络（隐藏层 5 个和 3 个节点）：

library(neuralnet)

# 将分类变量转换为数值
iris_scaled$Species <- as.numeric(iris_scaled$Species)

# 构建模型公式
formula <- as.formula(paste("Species ~", 
                          paste(names(iris_scaled)[1:4], collapse = "+")))

# 训练神经网络
set.seed(123)
model <- neuralnet(formula,
                  data = iris_scaled,
                  hidden = c(5, 3),  # 两个隐藏层，分别 5 个和 3 个节点
                  linear.output = FALSE,  # 用于分类问题
                  lifesign = "full",  # 显示训练过程
                  threshold = 0.01)  # 误差阈值

# 查看模型结构
plot(model)

使用 ggplot2 可视化神经网络的决策边界：

library(ggplot2)

# 生成网格数据
grid <- expand.grid(Sepal.Length = seq(min(iris_scaled$Sepal.Length), max(iris_scaled$Sepal.Length), length.out = 100),
  Sepal.Width = seq(min(iris_scaled$Sepal.Width), max(iris_scaled$Sepal.Width), length.out = 100)
)

# 预测网格点
preds <- compute(model, grid[,1:2])$net.result

# 绘制决策边界
ggplot() +
  geom_tile(data = grid, aes(x = Sepal.Length, y = Sepal.Width, fill = preds), alpha = 0.3) +
  geom_point(data = iris_scaled, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
  scale_fill_gradient(low = "blue", high = "red") +
  theme_minimal()