1 数据
以R中自带的鸢尾花数据集为例，根据花瓣、萼片的长宽来预测植物类别！
> data(iris)
> iris
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
7 4.6 3.4 1.4 0.3 setosa
8 5.0 3.4 1.5 0.2 setosa
说明：iris是R自带的数据，Species是鸢尾花的种类，Sepal.Length Sepal.Width Petal.Length Petal.Width分别是萼片、花瓣的长和宽。
2 划分训练集和测试集
> dim(iris)
[1] 150 5
> n=dim(iris)[1]
> sp=sample(1:n,size=round(n*0.3),replace=FALSE) # 随机抽取30%的数据
> iris_train=iris[-sp,] # 70%作为训练集
> iris_test=iris[sp,] # 30%作为测试集
3 采用神经网络模型进行分类
3.1 一个隐藏单元
训练模型：
> install.packages("neuralnet")
> library(neuralnet)
> fit_network = neuralnet(Species~.,iris_train,hidden = 1)
> plot(fit_network)
预测：
> fit_network$model.list
$response
[1] "setosa" "versicolor" "virginica"
说明：neuralnet的预测值不是一个值，而是预测变量类别的个数；fit_network$model.list主要是为了获得预测变量类别的次序！
> pdt = predict(fit_network,iris_test)
> pdt=c("setosa","versicolor","virginica")[apply(pdt,1,which.max)]
> sum(as.vector(pdt)==iris_test$Species)/dim(iris_test)[1]
[1] 0.6222222
> table(as.vector(pdt),iris_test$Species)
setosa versicolor virginica
setosa 15 0 0
versicolor 0 13 17
说明：一个隐藏单元的预测精度不高
3.2 三个隐藏单元
训练模型：
> fit_network1 = neuralnet(Species~.,iris_train,hidden = 3)
> plot(fit_network1)
预测：
> pdt1 = predict(fit_network1,iris_test)
> pdt1=fit_network1$model.list$response[apply(pdt1,1,which.max)]
> sum(as.vector(pdt1)==iris_test$Species)/dim(iris_test)[1]
[1] 0.9111111
> table(as.vector(pdt1),iris_test$Species)
setosa versicolor virginica
setosa 15 0 0
versicolor 0 13 4
virginica 0 0 13
说明：采用3个隐藏单元后，分类精度大福提高。继续设置4个5个隐藏单元后，精度无法再提高。