我想预测零售公司的销售情况。我使用的是neural net包中的神经网络。

我的代码：

    nn <- neuralnet(f,data=train_,hidden=c(14,12,4),linear.output=F,threshold = 0.01,        stepmax = 1e+08, rep = 10, startweights = NULL,learningrate.limit = NULL,        learningrate.factor = list(minus = 0.6, plus = 1.15),        learningrate=NULL, lifesign = "none",    algorithm = "rprop+", err.fct = "sse", act.fct = "logistic", exclude = NULL,constant.weights = NULL, likelihood = FALSE)

我的模型甚至不如线性回归好。我能做些什么来提高模型的准确性？

数据：2300个季度（例如2003年第一季度）和18个变量（例如库存）

回答：

我对这个包的具体细节不太了解，但我确实用keras摆弄过神经网络。

从你使用的函数参数来看，你使用的是默认的学习率，不妨尝试设置一个？我会将其在0.01到0.0001之间变化，并检查结果。

另外，你有没有尝试使用不同的激活函数，比如线性函数？

最后，你是如何选择层数的？因为这是一个回归问题，我猜你输出层的节点不限于4个。我会尝试几种不同的配置并检查结果。

不过，我在神经网络方面经验不是很丰富，所以如果我说错了，请纠正我。