r语言bp神经网络回归预测代码

以下是一个使用`neuralnet`包实现BP神经网络回归预测的代码示例：

首先，安装`neuralnet`包（如果未安装）：

install.packages("neuralnet")

然后，加载包和数据集（这里使用波士顿房价数据集）：

library(neuralnet)
data(BostonHousing)

接着，将数据集分成训练集和测试集：

set.seed(123)
trainIndex <- sample(1:nrow(BostonHousing), 0.7 * nrow(BostonHousing))
trainData <- BostonHousing[trainIndex, ]
testData <- BostonHousing[-trainIndex, ]

然后，定义神经网络模型：

model <- neuralnet(medv ~ crim + zn + indus + chas + nox + rm + age + dis + rad + tax + ptratio + black + lstat, 
                   data = trainData, 
                   hidden = 5, 
                   threshold = 0.01)

这里定义了一个包含5个隐藏层节点的神经网络模型，并且使用了所有的数据集特征进行训练。

接着，使用测试集进行模型的预测：

prediction <- predict(model, testData)

最后，计算模型的预测误差：

error <- prediction - testData$medv
mse <- mean(error^2)

完整的代码如下：

library(neuralnet)
data(BostonHousing)

set.seed(123)
trainIndex <- sample(1:nrow(BostonHousing), 0.7 * nrow(BostonHousing))
trainData <- BostonHousing[trainIndex, ]
testData <- BostonHousing[-trainIndex, ]

model <- neuralnet(medv ~ crim + zn + indus + chas + nox + rm + age + dis + rad + tax + ptratio + black + lstat, 
                   data = trainData, 
                   hidden = 5, 
                   threshold = 0.01)

prediction <- predict(model, testData)
error <- prediction - testData$medv
mse <- mean(error^2)

这个例子展示了如何使用`neuralnet`包在R语言中实现BP神经网络回归预测。