neuralnetの予測関数が奇妙な結果をもたらす

Question

私は、機械学習の技術とRのプログラミングの両方に対して比較的新しいですし、現時点では私が持っているデータに神経回路網を取り入れようとしています。しかし、結果として得られるニューラルネットワークの予測は私にとっては意味がありません。私はStackOverflowを見てきましたが、この問題の解決策を見つけることができませんでした。

マイデータ（これはテストセットの一部であり、トレーニングセットは、同じ形式のものである）

target monday tuesday wednesday thursday friday saturday indepedent 
428 277  1  0   0  0  0  0  3317 
429 204  0  1   0  0  0  0  1942 
430 309  0  0   1  0  0  0  2346 
431 487  0  0   0  1  0  0  2394 
432 289  0  0   0  0  1  0  2023 
433 411  0  0   0  0  0  1  1886 
434 182  0  0   0  0  0  0  1750 
435 296  1  0   0  0  0  0  1749 
436 212  0  1   0  0  0  0  1810 
437 308  0  0   1  0  0  0  2021 
438 378  0  0   0  1  0  0  2494 
439 329  0  0   0  0  1  0  2110 
440 349  0  0   0  0  0  1  1933 

マイコード

resultsnn <- neuralnet(target~monday+tuesday+wednesday+thursday+friday+saturday+independent,data=training,hidden=3,threshold=0.01,linear.output = TRUE) 
compute(resultsnn,test[,2:8])$net.result 

私の結果（予測値はすべてのテストセットのケースで同じです）

  [,1] 
428 508.4962231 
429 508.4962231 
430 508.4962231 
431 508.4962231 
432 508.4962231 
433 508.4962231 
434 508.4962231 
435 508.4962231 
436 508.4962231 
437 508.4962231 
438 508.4962231 
439 508.4962231 
440 508.4962231 

他に何を試しましたか？

私は、いくつかの合成データを作成し、同じコードを、入力として、これを使用している

（唯一の独立変数、これは結果の種類を変更しない含む）ダミー無しのバージョンを試してみましたこれは正常に動作しない：

#building training set 
input_train <- as.data.frame(c(1:100)) 
output_train <- as.data.frame(c(sqrt((1:100)+1))) 

train <- cbind.data.frame(output_train,input_train) 
colnames(train) <- c("output","input") 

#building test set 
input_test <- as.data.frame(c(101:150)) 
output_test <- as.data.frame(c(sqrt((101:150)+1))) 

test <- cbind.data.frame(output_test,input_test) 
colnames(test) <- c("output","input") 

#NEURALNET PACKAGE 
#neural network 3 neurons 
res.train <- neuralnet(output~input,data=train,hidden=3,threshold=0.01) #train nn 
compute(res.train,test[,2])$net.result #predict using nn on test set 

を私はまた、（例えば、NNETとRSNNS）他のパッケージを試してみましたが、これらのパッケージは、すでに合成データを使用している場合、正しい予測を提供することができません。

いくつかの追加情報

データ型に関するいくつかの追加情報：

str(test) 
'data.frame': 82 obs. of 8 variables: 
    $ target  : int 277 204 309 487 289 411 182 296 212 308 ... 
    $ monday  : int 1 0 0 0 0 0 0 1 0 0 ... 
    $ tuesday : int 0 1 0 0 0 0 0 0 1 0 ... 
    $ wednesday : int 0 0 1 0 0 0 0 0 0 1 ... 
    $ thursday : int 0 0 0 1 0 0 0 0 0 0 ... 
    $ friday  : int 0 0 0 0 1 0 0 0 0 0 ... 
    $ saturday : int 0 0 0 0 0 1 0 0 0 0 ... 
    $ independent: int 3317 1942 2346 2394 2023 1886 1750 1749 1810 2021 ... 

str(training) 
'data.frame': 397 obs. of 8 variables: 
    $ target  : int 1079 1164 1069 1038 629 412 873 790 904 898 ... 
    $ monday  : int 0 0 0 0 0 0 1 0 0 0 ... 
    $ tuesday : int 1 0 0 0 0 0 0 1 0 0 ... 
    $ wednesday : int 0 1 0 0 0 0 0 0 1 0 ... 
    $ thursday : int 0 0 1 0 0 0 0 0 0 1 ... 
    $ friday  : int 0 0 0 1 0 0 0 0 0 0 ... 
    $ saturday : int 0 0 0 0 1 0 0 0 0 0 ... 
    $ independent: int 2249 2381 4185 2899 2387 2145 2933 2617 2378 3569 ... 

あなたが任意の追加情報が必要な場合は私に知らせてください！ヘルプみんなのおかげで（：。ターゲットとindepedentの間に信号がないよう

Answer 1

に見えます今の平日を無視すると、グラデーションとない線形モデルフィット場合：

# a linear model looking at response with indepedent (with intercept) 
lm1 <- lm(target ~ indepedent, data = training) 
lm1 
# 
# Call: 
# lm(formula = target ~ indepedent, data = training) 
# 
# Coefficients: 
# (Intercept) indepedent 
# 206.37312594 0.04853823 
# intercept only 
lm0 <- lm(target ~ 1, data = training) 
lm0 
# 
# Call: 
# lm(formula = target ~ 1, data = training) 
# 
# Coefficients: 
# (Intercept) 
# 310.0769 
# two models of the data equivalent to possible outcomes 
plot(target ~ indepedent, data = training) 
lines(fitted(lm1) ~ indepedent, data = training, lty = 2) 
lines(fitted(lm0) ~ indepedent, data = training, col = 2) 

を...切片のみのモデルが好まれる：。

# test which model is better 
# large p-value suggests we're happy accepting the simple model 
anova(lm0, lm1) 
# Analysis of Variance Table 
# 
# Model 1: target ~ 1 
# Model 2: target ~ indepedent 
# Res.Df  RSS Df Sum of Sq  F Pr(>F) 
# 1  12 86990.923        
# 2  11 81792.165 1 5198.7582 0.69917 0.42086 
head(fitted(lm0)) 
#   428   429   430   431   432   433 
# 310.0769231 310.0769231 310.0769231 310.0769231 310.0769231 310.0769231 

だから、これは機械学習アプローチはまた、あなたを語っているものである単純なモデルはindepedentのすべての値のための目標のために単一の値を予測し、明らかに改善されない平日の変数に追加します。これ。

あなたのおもちゃの例の予測を見たのは、応答に強いシグナルがあったからです。