作者

Kaizong Ye
✉ 联系我们

可下载资源

案例1：随机森林填充缺失值、BP神经网络在亚马逊评论分析

在数字化时代，亚马逊商业网站作为全球领先的电商平台，其客户评论不仅为消费者提供了宝贵的购物参考，同时也为企业分析市场需求、改进产品服务提供了重要的数据来源。然而，由于各种因素的影响，客户评论中往往存在缺失值问题，这在一定程度上影响了数据分析的准确性和可靠性。因此，如何有效地处理缺失值，提高数据分析的质量，成为当前研究的热点之一。

一、读取数据

数据集来源于亚马逊商业网站上客户的评论，用于识别作者身份。

大多数先前的研究针对两到十名作者进行了识别实验。但在网络环境中，需要识别的评论通常有更多潜在的作者，并且通常情况下分类算法并不适应于大量目标类别的分类。

##设置训练集比例  
train <- 1:ncol(data2.train))data2.train[,i]=as.numeric(data2.train[,i])  
data2.train=na.omit(data2.train)  

2. 构建模型矩阵

接下来，我们需要为目标变量和自变量构建一个模型矩阵。在这个例子中，我们使用model.matrix()函数来构建矩阵，其中目标变量是V10001，自变量则是除V10001外的所有其他变量。

coef(cv.laslambda.1se")

4. 选择最优模型

最后，我们可以根据交叉验证的结果选择最优的模型。这通常是通过选择交叉验证误差最小的λ值来实现的。一旦确定了λ值，我们就可以提取出对应的系数，并据此确定哪些变量被选入模型。

##找出lamda时最小对应的系数不为0的变量为最优变量  
c<-co=TRUE)  
inds<-which(c!=0)  

根据lasso筛选出最优的变量

set.seed(11)  
variables<-row.names(c)[inds]  
variables

##因此最优变量如下所示

使用随机森林填充缺失值的方法及其应用

在数据分析过程中，缺失值是经常遇到的问题。为了保持数据的完整性和分析的准确性，我们需要对缺失值进行填充。本文介绍了使用随机森林算法对缺失值进行填充的方法，并通过具体示例展示了该方法的操作步骤。

rf <- randomFor42, importance=T)  
  
  

预测缺失值

使用predict()函数，我们可以基于建立的随机森林模型对包含缺失值的样本进行预测。这些预测值将作为缺失值的填充值。

填充缺失值

data2[notna,]$V10001=pred  
  
data2=data2[complete.cases(data2),]  

train=data2[,c("V3351" ,"V6732" , "V7121" , "V7892" ,"V8822" ,"V9466" )]  
targets=data2$V10001  

数据处理

为了将目标值转换为适合神经网络处理的形式，我们使用class.ind()函数将其转换为指示矩阵。这样，每个目标值都被表示为一个长度为类别数的向量，其中对应类别的位置为1，其余位置为0。#使用神经网络对训练结果进行集成  targets=class.ind(targets)

建立BP神经网络模型

我们使用nnet()函数建立BP神经网络模型。该函数允许我们指定网络的大小（即隐藏层神经元数量）以及其他参数。在本例中，我们设置隐藏层神经元数量为2，并允许网络进行多次迭代以达到收敛。

模型评估

通过summary()函数，我们可以查看模型的详细信息，包括网络结构、权重和训练过程中的收敛情况等。此外，我们还绘制了原始数据和拟合数据的图形对比，以直观展示模型的拟合效果。最后，我们计算了分类混淆矩阵，以评估模型在分类任务上的性能。

#绘制拟合数据  
  
points(train[,"V3[1:nrow(train)] , col = "red", pch=4)
 tab=table(pre,train[,"V3351"])#分类混淆矩阵  
 tab

结果与讨论

通过BP神经网络模型的建立和评估，我们得到了以下结果：

• 模型结构为一个6-2-50的网络，共有164个权重。
• 在训练过程中，初始值较大，但经过多次迭代后逐渐收敛到一个较小的值。
• 通过绘制原始数据和拟合数据的图形对比，我们发现模型能够较好地拟合原始数据的变化趋势。
• 分类混淆矩阵显示，模型在分类任务上具有一定的准确性，但仍然存在一些误分类的情况。这可能是由于数据噪声、模型复杂度不足或训练数据不足等原因导致的。

需要注意的是，BP神经网络的性能受到多种因素的影响，包括网络结构、训练算法、学习率等。在实际应用中，我们需要根据具体问题选择合适的参数和配置，以获得更好的建模效果。

x1，x2 …. xn是输入变量。w1，w2 …. wn是各个输入的权重。b是偏差，将其与加权输入相加即可形成输入。偏差和权重都是神经元的可调整参数。使用一些学习规则来调整参数。神经元的输出范围可以从-inf到+ inf。神经元不知道边界。因此，我们需要神经元的输入和输出之间的映射机制。将输入映射到输出的这种机制称为激活函数。

前馈和反馈人工神经网络

人工神经网络主要有两种类型：前馈和反馈人工神经网络。前馈神经网络是非递归网络。该层中的神经元仅与下一层中的神经元相连，并且它们不形成循环。在前馈中，信号仅在一个方向上流向输出层。

反馈神经网络包含循环。通过在网络中引入环路，信号可以双向传播。反馈周期会导致网络行为根据其输入随时间变化。反馈神经网络也称为递归神经网络。

激活函数

激活函数定义神经元的输出。激活函数使神经网络具有非线性和可表达性。有许多激活函数：

在R中实现神经网络

创建训练数据集

我们创建数据集。在这里，您需要数据中的两种属性或列：特征和标签。在上面显示的表格中，您可以查看学生的专业知识，沟通技能得分和学生成绩。

#创建训练数据集
# 在这里，把多个列或特征组合成一组数据
test=data.frame(专业知识,沟通技能得分)

让我们构建神经网络分类器模型。 首先，导入神经网络库，并通过传递标签和特征的参数集，数据集，隐藏层中神经元的数量以及误差计算来创建神经网络分类器模型。

 
# 拟合神经网络
nn(成绩~专业知识+沟通技能得分, hidden=3,act.fct = "logistic",
                linear.output = FALSE)

这里得到模型的因变量、自变量、损失函数、激活函数、权重、结果矩阵（包含达到的阈值，误差，AIC和BIC以及每次重复的权重的矩阵）等信息：

$model.list
$model.list$response
[1] "成绩"
 
$model.list$variables
[1] "专业知识"     "沟通技能得分"
 
 
$err.fct
function (x, y) 
{
    1/2 * (y - x)^2
}
$act.fct
function (x) 
{
    1/(1 + exp(-x))
}
$net.result
$net.result[[1]]
            [,1]
[1,] 0.980052980
[2,] 0.001292503
[3,] 0.032268860
[4,] 0.032437961
[5,] 0.963346989
[6,] 0.977629865
 
 
$weights
$weights[[1]]
$weights[[1]][[1]]
           [,1]        [,2]       [,3]
[1,]  3.0583343  3.80801996 -0.9962571
[2,]  1.2436662 -0.05886708  1.7870905
[3,] -0.5240347 -0.03676600  1.8098647
 
$weights[[1]][[2]]
           [,1]
[1,]   4.084756
[2,]  -3.807969
[3,] -11.531322
[4,]   3.691784
 
 
 
$generalized.weights
$generalized.weights[[1]]
            [,1]       [,2]
[1,]  0.15159066 0.09467744
[2,]  0.01719274 0.04320642
[3,]  0.15657354 0.09778953
[4,] -0.46017408 0.34621212
[5,]  0.03868753 0.02416267
[6,] -0.54248384 0.37453006
 
 
$startweights
$startweights[[1]]
$startweights[[1]][[1]]
           [,1]        [,2]       [,3]
[1,]  0.1013318 -1.11757311 -0.9962571
[2,]  0.8583704 -0.15529112  1.7870905
[3,] -0.8789741  0.05536849  1.8098647
 
$startweights[[1]][[2]]
           [,1]
[1,] -0.1283200
[2,] -1.0932526
[3,] -1.0077311
[4,] -0.5212917
 
 
 
$result.matrix
                                  [,1]
error                      0.002168460
reached.threshold          0.007872764
steps                    145.000000000
Intercept.to.1layhid1      3.058334288
专业知识.to.1layhid1       1.243666180
沟通技能得分.to.1layhid1  -0.524034687
Intercept.to.1layhid2      3.808019964
专业知识.to.1layhid2      -0.058867076
沟通技能得分.to.1layhid2  -0.036766001
Intercept.to.1layhid3     -0.996257068
专业知识.to.1layhid3       1.787090472
沟通技能得分.to.1layhid3   1.809864672
Intercept.to.成绩          4.084755522
1layhid1.to.成绩          -3.807969087
1layhid2.to.成绩         -11.531321534
1layhid3.to.成绩           3.691783805

绘制神经网络

让我们绘制您的神经网络模型。

# 绘图神经网络
plot(nn)

创建测试数据集

创建测试数据集：专业知识得分和沟通技能得分

# 创建测试集
test=data.frame(专业知识,沟通技能得分)

预测测试集的结果

使用计算函数预测测试数据的概率得分。

## 使用神经网络进行预测
Pred$result

0.9928202080
0.3335543925
0.9775153014

现在，将概率转换为二进制类。

# 将概率转换为设置阈值0.5的二进制类别
pred <- ifelse(prob>0.5, 1, 0)pred

神经网络的用途

神经网络的特性提供了许多应用方面，例如：

• 模式识别： 神经网络非常适合模式识别问题，例如面部识别，物体检测，指纹识别等。
• 异常检测： 神经网络擅长异常检测，它们可以轻松检测出不适合常规模式的异常模式。
• 时间序列预测： 神经网络可用于预测时间序列问题，例如股票价格，天气预报。
• 自然语言处理： 神经网络在自然语言处理任务中提供了广泛的应用，例如文本分类，命名实体识别（NER），词性标记，语音识别和拼写检查。