R语言实现拟合神经网络； 神经网络包

神经网络一直是迷人的机器学习模型之一，不仅因为花哨的反向传播算法，而且还因为它们的复杂性（考虑到许多隐藏层的深度学习）和受大脑启发的结构。

神经网络并不总是流行，部分原因是它们在某些情况下仍然计算成本高昂，部分原因是与支持向量机（SVM）等简单方法相比，它们似乎没有产生更好的结果。然而，最近神经网络变得流行起来。

 在这篇文章中，我们将拟合神经网络，并将线性模型作为比较。

数据集

数据集是郊区房屋价格数据的集合。我们的目标是使用所有其他可用的连续变量来预测自住房屋（medv）的中位数。

首先，我们需要检查是否缺少数据点，否则我们需要填充数据集。

apply（data，2，function（x）sum（is.na（x）））
 

然后我们拟合线性回归模型并在测试集上进行测试。

index < -  sample（1：nrow（data），round（0.75 * nrow（data）））
   MSE.lm < -  sum（（pr.lm  -  test $ medv）^ 2）/ nrow（test）

sample(x,size)函数简单地从向量输出指定大小的随机选择样本的向量x。

准备拟合神经网络

在拟合神经网络之前，需要做一些准备工作。神经网络不容易训练和调整。

作为第一步，我们将解决数据预处理问题。
因此，我们先划分数据：

maxs <