使用以下代码，我构建了一个神经网络模型来预测收盘价：

library(neuralnet)myformula <- close ~ High+Low+Open nn_close <- neuralnet(myformula,data=train_,hidden=c(5,3),linear.output=T)nn_close$net.result[[1]]

能否有人解释一下nn_close$net.result[[1]]这行代码的作用？我查看了CRAN文档，但还是不太明白。

回答：

compute()$net.result的结果只包含一个层级，这给出了每个样本属于某个特定类别的概率（在这个例子中）。换句话说，每行的总和大致等于1。在下面的例子中，我使用了这些信息来预测数据验证子集中的类别，并使用table将这些预测值与其真实值进行比较：

# install.packages("neuralnet")library(neuralnet)# 改编自irisdata(iris)iris2 <- irisiris2$setosa <- c(iris2$Species == 'setosa')iris2$versicolor <- c(iris2$Species == 'versicolor')iris2$virginica <- c(iris2$Species == 'virginica')# iris2$Species <- NULL# 训练和验证子集train.samples <- sample(nrow(iris), nrow(iris)*0.5)train <- iris2[train.samples,]valid <- iris2[-train.samples,]# 拟合模型inet <- neuralnet(setosa + versicolor + virginica ~ Sepal.Length + Sepal.Width +   Petal.Length + Petal.Width, train, hidden=3, lifesign="full")# 预测 pred <- compute(inet, valid[,1:4])head(pred$net.result) # 只有一个层级（每个类别的概率）predspp <- factor(c("setosa" , "versicolor", "virginica"))[apply(pred$net.result, MARGIN=1, FUN=which.max)]table(predspp, valid$Species)# predspp      setosa versicolor virginica#   setosa         19          0         0#   versicolor      0         24         4#   virginica       0          2        26

在我的案例中，所有setosa样本都被正确预测。versicolor和virginica分别有2个和4个错误预测。总的来说，验证样本中有92%（69/75 * 100）的预测是正确的。