R语言神经网络进行分类代码

以下是一个用R语言实现神经网络进行分类的示例代码：

# 加载所需的库
library(neuralnet)

# 加载数据集
data(iris)

# 将鸢尾花数据集分为训练数据和测试数据
set.seed(123)
train_index <- sample(1:nrow(iris), 0.7 * nrow(iris))
train_data <- iris[train_index, ]
test_data <- iris[-train_index, ]

# 定义神经网络模型
nn_model <- neuralnet(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, 
                      data = train_data, hidden = c(5, 3), linear.output = FALSE)

# 输出神经网络模型的结构
print(nn_model)

# 在测试集上进行预测
predicted_species <- predict(nn_model, test_data[, 1:4])

# 将预测结果转换为字符型
predicted_species <- apply(predicted_species, 1, function(x) {
  ifelse(x == max(x), "setosa", ifelse(x == min(x), "virginica", "versicolor"))
})

# 计算精度
accuracy <- sum(predicted_species == test_data$Species) / nrow(test_data)
print(paste("Accuracy:", round(accuracy, 4)))

这个示例代码使用了鸢尾花数据集，将其分为训练数据和测试数据。然后使用`neuralnet`库定义了一个包含两个隐藏层（5个和3个神经元）的神经网络模型。然后在测试集上进行预测，并将预测结果转换为字符型。最后计算了预测的精度并输出。