Bing Image Creator で生成: Wideshot view of Japanese forest, photo
の続きです。
今回は、Rのnnetパッケージでニューラルネットワークによる判別をしてみます。
まずは、nnetパッケージを読み込みます。
nnet()関数でニューラルネットワークのモデルをフィットします。
size = 3 としていますが、これはニューラルネットワークの隠れ階層が3ということです。
predict()関数で予測します。
結果をみてみましょう。
正解率を計算します。
86.3%でした。今までの中で一番高い正解率でした。
Confusion Matrixも作成しておきます。
今回で UCI Machine Learning Repository の Raisin のデータでの判別は終わりにしようと思います。
いろいろな手法をたしかめました。
デタラメ判別は、56%
決定木モデルは、83%
サポートベクターマシーンは、84%
LASSO回帰は、83.7%
ニューラルネットワークは、86.3%
でした。
決定木モデルとLASSO回帰は、どうやって判別したのかがわかるけど、サポートベクターマシーンとニューネットワークはわからない。
決定木モデルとLASSO回帰は正解率がサポートベクターマシーン、ニューラルネットワークよりは低い。
という結果でした。
決定木モデルとLASSO回帰は正解率は低いですが、とても低いということではなくて、今回くらいの差であれば、どうやって判別したかわかるこの２つの方法のほうがいいのかな？と思いました。
初めから読むには、
です。
