总结
总结 (nn.适合)
##深度神经网络模型综述
##
##——功能重要性
##重要性标准错误Z值Pr(>|Z|)
##萼片。 宽度→1.205 0.507 2.38 0.0175*
##花瓣。 长度→27.720 10.575 2.62 0.0088**
##花瓣。 宽度→0.677 0.637 1.06 0.2876
##物种→1.270 1.096 1.16 0.2465
## ---
##Signif(签名)。 代码:0’***’0.001’**'0.01’*'0.05’ 0.1 ' ' 1
##
##——平均条件效应
##ACE标准错误Z值Pr(>|Z|)
##萼片。 宽度→0.5283 0.0828 6.38 1.8e-10***
##花瓣。 长度→0.7253 0.0649 11.18<2e-16***
##花瓣。 宽度→-0.1924 0.1396-1.38 0.17
## ---
##Signif(签名)。 代码:0’***’0.001’**'0.01’*'0.05’ 0.1 ' ' 1
##
##——条件效应的标准差
##ACE标准错误Z值Pr(>|Z|)
##萼片。 宽度→0.1495 0.0409 3.66 0.00026***
##花瓣。 长度→0.1291 0.0396 3.26 0.00111**
##花瓣。 宽度→0.0529 0.0311 1.70 0.08878。
## ---
##Signif(签名)。 代码:0’***’0.001’**'0.01’*'0.05’ 0.1 ' ' 1
nn.配合<- dnn(数字网络) (分隔长度 ~ ., 数据= 数据集 :: 虹膜, 低压= 曲调 ( 0.0001 , 0.1 ))
##正在启动超参数调整。。。
##正在拟合最终模型。。。
nn.配合 $ 调谐
###A台:10×5
##步进试验列车模型lr
##<int><dbl><dbl><list>
##1 1信息0<列表[1]>0.0887
##2 2信息0<列表[1]>0.0264
##3 3 1.13 0<列表[1]>0.0416
##4 4 0.757 0<列表[1]>0.0373
##5 5信息0<列表[1]>0.0175
##6 6信息0<列表[1]>0.0581
##7 7 0.526 0<列表[1]>0.00348
##8 8 Inf 0<列表[1]>0.0179
##9 9信息0<列表[1]>0.0687
##10 10信息0<列表[1]>0.0497
创建cov= 功能 (左,诊断){
返回 (火炬 :: 焊炬_模板 (左,左 $ t吨 ()) + 火炬 :: 火炬_仪表 (诊断 $ 经验 () + 0.001 ))
}
自定义丢失_MVN= 功能 (正确,pred){
西格玛= 创建cov (SigmaPar、SigmaDiag)
logLik(对数相似)= 火炬 :: 分布_多变量_正常 (之前,
协方差矩阵= 西格玛) $
日志_抢劫 (正确)
返回 ( - logLik(对数相似) $ 意思是 ())
}
nn.配合<- dnn(数字网络) ( cbind公司 (萼片长度、萼片宽度、花瓣长度) ~ .,
数据= 数据集 :: 虹膜,
爱尔兰= 0.01 ,
时代= 200升,
损失= custom_ loss_,
冗长的= 错误的 ,
绘图= 错误的 ,
自定义参数=
列表 ( 西格玛诊断= 代表 ( 0 , 三 ), #我们的参数和起始值
SigmaPar公司= 矩阵 ( rnorm公司 ( 6 , 标准偏差= 0.001 ), 三 , 2 )) #我们的参数和起始值
)
作为矩阵 ( 创建cov (nn.适合 $ 损失 $ 参数 $ SigmaPar,
nn.配合 $ 损失 $ 参数 $ 西格玛诊断)
## [,1] [,2] [,3]
## [1,] 0.29110381 0.06862528 0.13878071
## [2,] 0.06862528 0.10975803 0.04459281
## [3,] 0.13878071 0.04459281 0.16815922