网络，是新时代的科技产物，网络已成为人与人之间沟通的桥梁，了解外面世界的途径，其重要性越来越显得其具有不可替代性。例如，商人可以利用它读经论股，医生可以利用它会诊定方，教师可以利用它远程教育，我们学生可以利用它开拓视野、查找资料，扩大知识面等。但是，辨证唯物主义认为，事物就像一把双刃剑，具有两面性，既有其有利的一面，也有其弊端的一面，那么如何看待网络这把双刃剑？

　　一方面，网络有很多的优势，了解时事、学习知识、与人沟通、休闲娱乐等。如便捷高效网络信息、益处多多的网络健康交往等；另一方面，网络也有可能造成很多伤害，沉迷于网络游戏、网络成瘾症、诱惑欺诈。如网络环境的复杂带来的危险性，网络对现实生活中问题较多的小学生有更大的“杀伤力”。

　　网络的出现和发展对人类的日常社会生活产生了巨大的影响。原有的社会结构、社会行动方式以及社会分层在网络的冲击下都发生了变化。网络交往新空间的一般特点：神奇性与两面性。“网络沟通无极限”：即网络的神奇性，网络生活的丰富性。网络给我们生活、学习、工作等带来的种种方便。网络交往超越了空间，扩大了我们的交往领域、对象，改变了以往的交往方式，丰富了我们的人生的经验！

​　　最后，在互联网趋势之下，我们应该做的是好好学习一门本领，祝愿大家能把握好自己未来，正确利用网络这把双刃剑。（欢迎转载分享）

原文链接：http://tecdat.cn/?p=19936 

原文出处：拓端数据部落公众号

在本教程中，您将学习如何在R中创建神经网络模型。

神经网络（或人工神经网络）具有通过样本进行学习的能力。人工神经网络是一种受生物神经元系统启发的信息处理模型。它由大量高度互连的处理元件（称为神经元）组成，以解决问题。它遵循非线性路径，并在整个节点中并行处理信息。神经网络是一个复杂的自适应系统。自适应意味着它可以通过调整输入权重来更改其内部结构。

该神经网络旨在解决人类容易遇到的问题和机器难以解决的问题，例如识别猫和狗的图片，识别编号的图片。这些问题通常称为模式识别。它的应用范围从光学字符识别到目标检测。

本教程将涵盖以下主题：

• 神经网络概论
• 正向传播和反向传播
• 激活函数
• R中神经网络的实现
• 案例
• 利弊
• 结论

神经网络概论

神经网络是受人脑启发执行特定任务的算法。它是一组连接的输入/输出单元，其中每个连接都具有与之关联的权重。在学习阶段，网络通过调整权重进行学习，来预测给定输入的正确类别标签。

人脑由数十亿个处理信息的神经细胞组成。每个神经细胞都认为是一个简单的处理系统。被称为生物神经网络的神经元通过电信号传输信息。这种并行的交互系统使大脑能够思考和处理信息。一个神经元的树突接收来自另一个神经元的输入信号，并根据这些输入将输出响应到某个其他神经元的轴突。

树突接收来自其他神经元的信号。单元体将所有输入信号求和以生成输出。当总和达到阈值时通过轴突输出。突触是神经元相互作用的一个点。它将电化学信号传输到另一个神经元。

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：

• 识别函数 通过激活函数 Identity，节点的输入等于输出。它完美拟合于潜在行为是线性（与线性回归相似）的任务。当存在非线性，单独使用该激活函数是不够的，但它依然可以在最终输出节点上作为激活函数用于回归任务。。
• 在 二元阶梯函数（Binary Step Function）中，如果Y的值高于某个特定值（称为阈值），则输出为True（或已激活），如果小于阈值，则输出为false（或未激活）。这在分类器中非常有用。
• S形函数 称为S形函数。逻辑和双曲正切函数是常用的S型函数。有两种：
  • Sigmoid函数 是一种逻辑函数，其中输出值为二进制或从0到1变化。
  • tanh函数 是一种逻辑函数，其输出值在-1到1之间变化。也称为双曲正切函数或tanh。
• ReLU函数又称为修正线性单元（Rectified Linear Unit），是一种分段线性函数，其弥补了sigmoid函数以及tanh函数的梯度消失问题。它是最常用的激活函数。对于x的负值，它输出0。

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。因此，前两列（专业知识得分和沟通技能得分）是特征，第三列（学生成绩）是二进制标签。

#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

1
0
1

预测结果为1,0和1。

利弊

神经网络更灵活，可以用于回归和分类问题。神经网络非常适合具有大量输入（例如图像）的非线性数据集，可以使用任意数量的输入和层，可以并行执行工作。

还有更多可供选择的算法，例如SVM，决策树和回归算法，这些算法简单，快速，易于训练并提供更好的性能。神经网络更多的是黑盒子，需要更多的开发时间和更多的计算能力。与其他机器学习算法相比，神经网络需要更多的数据。NN仅可用于数字输入和非缺失值数据集。一位著名的神经网络研究人员说：  “神经网络是解决任何问题的第二好的方法。最好的方法是真正理解问题。”

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。

最受欢迎的见解

1.r语言用神经网络改进nelson-siegel模型拟合收益率曲线分析

2.r语言实现拟合神经网络预测和结果可视化

3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析

4.用于nlp的python：使用keras的多标签文本lstm神经网络分类

5.用r语言实现神经网络预测股票实例

6.R语言基于Keras的小数据集深度学习图像分类

7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译

8.python中基于网格搜索算法优化的深度学习模型分析糖

9.matlab使用贝叶斯优化的深度学习

查询比“网络工程”专业所有学生年龄都小的学生姓名。

select sname
from stu
where birdate > (select max(birdate) from stu where mno=(select mno from major where mname='网络工程'))

查询软件工程专业中年龄最大的同学姓名 (

select
 t.sname
from
  (select
   s.sname,s.mno,year(now())-year(birdate) year
  from
   stu s
  join
   major m
  on
   s.mno = m.mno) t
order by 
 t.year desc
limit
 1

查找课程选修的情况

本题目要求编写SQL语句， 查找所有开设的课程及被学生选修的情况（选课人数，最高成绩，最低成绩，平均成绩），如某门课程尚未有学生选修时也要列出来。

select 课程号,课程名,选课人数,ifnull(最高成绩,0) 最高成绩,ifnull(最低成绩,0) 最低成绩,ifnull(平均成绩,0) 平均成绩
from
(select	t.cno 课程号,t.cname 课程名,count(sno) 选课人数,max(t.grade) 最高成绩,min(t.grade) 最低成绩,avg(t.grade) 平均成绩
from(
	select
			s.sno,c.cno,c.cname,s.grade
		from
			cou c
		left join
			sc s
		on
			s.cno = c.cno) t
	group by
		t.cno) a

查询各专业的学生人数

select
 t.mno 专业号,t.mname 专业,count(t.sno) 人数
from
 (select
  m.*,s.sno
 from
  stu s
 right  join
  major m
 on
  m.mno = s.mno) t
group by
 t.mno

统计每个专业的男生与女生人数

select
	t.mno 专业号,t.mname 专业名,case t.sex when '1' then '男' when '0' then '女' end 性别,count(sex) 人数	
from
	(select
			s.mno,m.mname,s.sex
	from
			stu s
	join
			major m
	on
			s.mno = m.mno) t
	group by
		t.mno,t.sex

查询选修了“C语言”课程，但是没有选修“数据结构”课程的学生

select sname from stu where sno in(select sno from cou join sc on cou.cno=sc.cno where cname='C语言')
and sno not in(select sno from sc where cno in(select cno from cou where cname='数据结构'))

查询选修人数超过2人且成绩都在60分以上的课程
本题目要求编写SQL语句，查询选修人数超过2人且成绩都在60分以上的课程的课程名、最高成绩、最低成绩和平均成绩。

select sc.cno as 课程号,cname as 课程名,max(grade) as 
最高成绩,min(grade) as 最低成绩, avg(grade) as 
平均成绩 from sc,cou where sc.cno=cou.cno and not exists
(select cno from sc where sc.cno=cou.cno and (grade is null or grade<60))
GROUP BY sc.cno having count(sno)>=2