运行library(caret) library(neuralnet) data <- read.csv("housing_renamed.csv") data$year_built[is.na(data$year_built)] <- median(data$year_built, na.rm = TRUE) predictors <- subset(data, select = -c(value_per_sq_ft)) response <- data$value_per_sq_ft ctrl <- trainControl(method = "cv", number = 3) model1 <- train(response ~ ., data = predictors, method = "neuralnet", trControl = ctrl) model2 <- train(response ~ ., data = predictors, method = "neuralnet", trControl = ctrl) print(model1) print(model2)出现Something is wrong; all the RMSE metric values are missing:报错

这个错误可能是由于数据中存在缺失值导致的。你需要检查数据中是否存在其他缺失值，并对其进行处理。另外，你可以尝试在train函数中添加一个参数preProcess，将其设置为"impute"，以对缺失值进行处理。例如：

model1 <- train(response ~ ., data = predictors, method = "neuralnet",
                trControl = ctrl, preProcess = "impute")

你可以尝试这个方法来解决这个错误。

相关问题

library(tidyverse) library(readxl) library(caret) data1 <- read_csv("111.csv") data2 <- na.omit(data1) print(data1) dim(data2) head(data2)

这不是一个问题，而是一段 R 代码。这段代码的作用是加载 tidyverse、readxl 和 caret 三个 R 包，然后读取名为 "111.csv" 的 CSV 文件，将其存储在 data1 变量中。接着使用 na.omit() 函数删除 data1 中的缺失值，并将结果存储在 data2 变量中。最后打印出 data1 的内容，输出 data2 的维度和前几行内容。如果您有任何具体问题或者需要解释，请告诉我。

library(dplyr) library(caret) set.seed(123) trainIndex <- createDataPartition(data$value_per_sq_ft, p = .8, list = FALSE, times = 1) train <- data[ trainIndex,] test <- data[-trainIndex,] library(nnet) model1 <- nnet(value_per_sq_ft ~ ., data = train, size = 5, linout = TRUE) predict1 <- predict(model1, newdata = test) library(neuralnet) model2 <- neuralnet(value_per_sq_ft ~ ., data = train, hidden = c(5)) predict2 <- compute(model2, test %>% select(-value_per_sq_ft))$net.result改进这些代码，使之不报错

在你提供的代码中，我没有看到 `data` 变量的定义，因此我将使用 `iris` 数据集作为示例数据集。

首先，您需要安装并加载 `dplyr`、`caret`、`nnet` 和 `neuralnet` 包。接下来，您需要加载 `iris` 数据集。

library(dplyr)
library(caret)
library(nnet)
library(neuralnet)

data(iris)

然后，您需要划分数据集为训练集和测试集。您可以使用 `createDataPartition()` 函数来生成索引，然后使用这些索引来划分数据。

trainIndex <- createDataPartition(iris$Petal.Width, p = .8, list = FALSE, times = 1)
train <- iris[trainIndex,]
test <- iris[-trainIndex,]

请注意，我使用了 `Petal.Width` 作为响应变量，因为 `value_per_sq_ft` 在您的代码中没有定义。

接下来，您需要拟合两种不同的神经网络模型。首先，使用 `nnet` 包构建一个模型。

model1 <- nnet(Petal.Width ~ ., data = train, size = 5, linout = TRUE)

然后，使用 `predict()` 函数来进行预测。

predict1 <- predict(model1, newdata = test)

接下来，使用 `neuralnet` 包构建另一个模型。

model2 <- neuralnet(Petal.Width ~ ., data = train, hidden = c(5))

最后，使用 `compute()` 函数来进行预测。

predict2 <- compute(model2, test %>% select(-Petal.Width))$net.result

请注意，在 `compute()` 函数中，我使用了 `select(-Petal.Width)` 来删除测试集中的响应变量（`Petal.Width`）。这是因为 `neuralnet` 包要求您将响应变量从输入数据中删除。

如果您在执行上述代码时仍然遇到错误，请提供错误信息以便我帮助您解决问题。