知识卡片

操作参考卡 · 9635.w · 生成模型:DeepSeek-V4.1-Flash

热负荷回归的BP建模

理解等级:中级

数据:UCI 建筑能耗数据 768 个样本,8 个建筑特征(密实度、面积、高度、朝向、窗面积等),响应为热负荷 Y1 与冷负荷 Y2,任务为回归预测 Y1。 步骤:①read.csv 读入,str/summary 看分布,量纲差异大;②自定义 normalize 做 min-max 归一化 (x-min)/(max-min),否则量纲大的变量主导权值;③7:3 分训练/测试集;④nnet(Y1~., data=train, size=3, rang=r, decay=1e-5, maxit=1000) 建单隐层 BP 网络,size 为隐层神经元数,decay 为权值衰减,rang 控制初始权值;⑤predict 预测测试集,看相关系数得 0.992。 解读:summary 显示 8-3-1 结构与 31 个权值,i-h 为输入到隐层的权值、b-* 为偏置;回归不能看混淆矩阵。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第6章 神经网络与深度学习(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter8_0003.xhtml,6.3.1 建筑物热负荷数据) - 结论依据:原文给出数据规模与变量含义、归一化函数、nnet 参数设置,并以 0.992 的相关系数判断模型预测效果。 - 原始内容:预测值与真实值之间的相关系数是0.992 432 6,非常接近1,意味着两个变量之间有很强的线性关系。这说明所建立的神经网络模型具有较好的预测效果。