R语言神经网络预测：示例代码与解读

下面是一个使用R语言中神经网络进行预测的例子代码：

# 安装并加载神经网络包
install.packages('neuralnet')
library('neuralnet')

# 创建一个数据集
data <- data.frame(x1 = c(0, 0, 1, 1),
                   x2 = c(0, 1, 0, 1),
                   y = c(0, 1, 1, 0))

# 定义神经网络的结构
net <- neuralnet(y ~ x1 + x2, data = data, hidden = 3)

# 进行预测
new_data <- data.frame(x1 = c(0, 1),
                       x2 = c(1, 0))
predicted <- compute(net, new_data)

# 打印预测结果
print(predicted$net.result)

在这个例子中，首先安装并加载了'neuralnet'包。然后创建了一个包含训练数据的数据集'data'，其中'x1'和'x2'是输入变量，'y'是目标变量。接下来使用'neuralnet'函数定义了一个具有3个隐藏层节点的神经网络模型'net'，并将训练数据集作为输入进行训练。

然后创建了一个新的数据集'new_data'，包含了两个新的输入样本。通过调用'compute'函数对新数据进行预测，将返回的结果存储在'predicted'变量中。

最后，通过打印'predicted$net.result'可以查看预测结果。