R中帶有神經網絡（）的行權重

Question

將 R 中的不同模型與每行具有可變觀察量的數據混為一談。 訓練數據如下所示：

df <- data.frame('name' = c('Jimmy','Greg','Alice','Alice'),
           'year' = c(2020, 2020, 2020, 2021),
           'high_jump_average' = c(24, 22, 18, 19),
           'high_jump_tests' = c(15, 8, 1, 9),
           'max_squat' = c(405, 365, 245, 265),
           'weight' = c(218, 212, 165, 168))

嘗試根據年初的體重和 max_squat 預測每個人的 high_jump_average（更多功能，只是保持問題簡單）

每個人每年都會進行不同數量的 high_jump_tests。 我正在嘗試根據他們當年將要進行的這些（目前未知的）high_jump_tests 數量來預測他們的 high_jump_average

在模型中，我想根據他們當年進行的 jump_tests 對行進行加權。 例如，在此示例中，我希望模型能夠理解 Alice 的 2020 年結果（僅 1 次測試/觀察）不如 Jimmy 的 2020 年結果（15 次測試/觀察）提供的信息量大

使用線性回歸，我可以使用以下參數：

lm(high_jump_average ~ max_squat + weight,
data = df,
weights = high_jump_tests)

為了這。 但是對於 neuralnet() 我不確定如何表達這一點——目前，我只是根據觀察到的 jump_tests 的數量來復制行：

df <- df %>%
uncount(high_jump_tests)

然后對所有數據進行歸一化，並使用這個新數據幀運行神經網絡（）

但這會大大增加行數，並使神經網絡需要一個多小時才能完成。

有沒有辦法在不復制行的情況下做到這一點？ 神經網絡（）中的一個論點？

提前致謝！

Answer 1

您可以在startweights參數中分配權重：

包含權重起始值的向量。 設置為 NULL 以進行隨機初始化。

您可以使用此可重現的代碼：

df <- data.frame('name' = c('Jimmy','Greg','Alice','Alice'),
                 'year' = c(2020, 2020, 2020, 2021),
                 'high_jump_average' = c(24, 22, 18, 19),
                 'high_jump_tests' = c(15, 8, 1, 9),
                 'max_squat' = c(405, 365, 245, 265),
                 'weight' = c(218, 212, 165, 168))

library(neuralnet)
neuralnet(high_jump_average ~ max_squat + weight, data = df, startweights = c(df$high_jump_tests))
#> $call
#> neuralnet(formula = high_jump_average ~ max_squat + weight, data = df, 
#>     startweights = c(df$high_jump_tests))
#> 
#> $response
#>   high_jump_average
#> 1                24
#> 2                22
#> 3                18
#> 4                19
#> 
#> $covariate
#>      max_squat weight
#> [1,]       405    218
#> [2,]       365    212
#> [3,]       245    165
#> [4,]       265    168
#> 
#> $model.list
#> $model.list$response
#> [1] "high_jump_average"
#> 
#> $model.list$variables
#> [1] "max_squat" "weight"   
#> 
#> 
#> $err.fct
#> function (x, y) 
#> {
#>     1/2 * (y - x)^2
#> }
#> <bytecode: 0x7f7e6876c2e8>
#> <environment: 0x7f7e6876eb70>
#> attr(,"type")
#> [1] "sse"
#> 
#> $act.fct
#> function (x) 
#> {
#>     1/(1 + exp(-x))
#> }
#> <bytecode: 0x7f7e68760fc0>
#> <environment: 0x7f7e687645d8>
#> attr(,"type")
#> [1] "logistic"
#> 
#> $linear.output
#> [1] TRUE
#> 
#> $data
#>    name year high_jump_average high_jump_tests max_squat weight
#> 1 Jimmy 2020                24              15       405    218
#> 2  Greg 2020                22               8       365    212
#> 3 Alice 2020                18               1       245    165
#> 4 Alice 2021                19               9       265    168
#> 
#> $exclude
#> NULL
#> 
#> $net.result
#> $net.result[[1]]
#>          [,1]
#> [1,] 20.75207
#> [2,] 20.75207
#> [3,] 20.75207
#> [4,] 20.75207
#> 
#> 
#> $weights
#> $weights[[1]]
#> $weights[[1]][[1]]
#>           [,1]
#> [1,] 0.9346973
#> [2,] 0.5025252
#> [3,] 0.7208604
#> 
#> $weights[[1]][[2]]
#>           [,1]
#> [1,]  9.094366
#> [2,] 11.657705
#> 
#> 
#> 
#> $generalized.weights
#> $generalized.weights[[1]]
#>      [,1] [,2]
#> [1,]    0    0
#> [2,]    0    0
#> [3,]    0    0
#> [4,]    0    0
#> 
#> 
#> $startweights
#> $startweights[[1]]
#> $startweights[[1]][[1]]
#>           [,1]
#> [1,] 0.9346973
#> [2,] 0.5025252
#> [3,] 0.7208604
#> 
#> $startweights[[1]][[2]]
#>            [,1]
#> [1,] -0.6453341
#> [2,]  1.9180050
#> 
#> 
#> 
#> $result.matrix
#>                                        [,1]
#> error                          1.137501e+01
#> reached.threshold              8.283793e-03
#> steps                          1.140000e+02
#> Intercept.to.1layhid1          9.346973e-01
#> max_squat.to.1layhid1          5.025252e-01
#> weight.to.1layhid1             7.208604e-01
#> Intercept.to.high_jump_average 9.094366e+00
#> 1layhid1.to.high_jump_average  1.165770e+01
#> 
#> attr(,"class")
#> [1] "nn"

^{由reprex 包（v2.0.1）於 2022-07-23 創建}