R语言ANN算法代码

以下是一个简单的用R语言实现人工神经网络（ANN）算法的代码示例：

首先，需要导入所需的R包，如neuralnet：

library(neuralnet)

然后，我们需要准备训练数据和测试数据。训练数据包含输入变量和相应的输出变量，用于训练ANN模型。测试数据只包含输入变量，用于评估ANN模型的性能。

例如，下面是一个包含3个输入变量和1个输出变量的训练数据集：

train_data <- data.frame(x1=c(0, 1, 0, 1), 
                         x2=c(0, 0, 1, 1), 
                         x3=c(0, 1, 1, 0), 
                         y=c(0, 1, 1, 0))

接下来，我们需要定义ANN模型的结构和参数。这包括输入层和输出层的神经元数量，隐藏层的数量和神经元数量，以及其他参数，如学习率和最大迭代次数。下面是一个包含1个隐藏层和2个隐藏神经元的ANN模型：

ann_model <- neuralnet(y ~ x1 + x2 + x3, 
                       data=train_data, 
                       hidden=c(2), 
                       act.fct="logistic", 
                       linear.output=FALSE, 
                       learningrate=0.01, 
                       algorithm="backprop", 
                       err.fct="sse", 
                       threshold=0.01, 
                       stepmax=1e6)

在上面的代码中，我们使用logistic作为激活函数，这是一种常用的激活函数，它将输出限制在0和1之间。我们还使用反向传播（backprop）算法来训练ANN模型，并将误差函数设置为平方误差（sse）。

训练完ANN模型后，我们可以使用测试数据集来评估其性能。以下是一个包含3个输入变量的测试数据集：

test_data <- data.frame(x1=c(0, 1, 0, 1), 
                        x2=c(0, 0, 1, 1), 
                        x3=c(0, 1, 1, 0))

我们可以使用以下代码来预测测试数据集的输出变量：

predictions <- compute(ann_model, test_data)

最后，我们可以将预测值与实际值进行比较，以评估ANN模型的性能。