BP神经网络（BPNN）的全称是：误差反向传播神经网络（Error back propagation training neural network）。它具有任意复杂的模式分类能力和优良的多维函数的映射能力。

BP神经网络的应用

BP神经网络是一种前馈型神经网络，理论上它可以拟合任意的非线性函数。所以适用于很多复杂的应用场景。比如：

分类：图像识别、文本分类、语言识别等回归：市场价格预测等

标准的三层神经网络结构

安装和导入nnet包安装：我们可以在Rstudio里面直接进行nnet 的安装

第一步：点击第一栏上的Tools，然后在弹出的选项中点击Install Packages

1

第二步：在Packages那一栏内输入包的名字：nnet（注意大小写），在弹出的选项中选中nnet，然后点击下面的Install就好了

2

第三步：导入nnet包

library(nnet)

设置运行路径和读取输入数据设置运行路径

###Set working directory for the training datasetwd("C:/Users/dell/Desktop/BPnn/bp8")getwd()

读取输入数据我们以一个分类任务为例，其中有11个因子：x1~x10，和label：y

###Read the input filedata <- read.csv("BP_8_TT2.csv")data# 数据命名data@names <- c("x1","x2","x3","x4","x5","x6","x7","x8","x9","x10","x11"，"y")data$y <- as.factor(data$y)# 查看数据head(data)str(data)data

训练数据处理和构建模型用sample函数来划分训练、测试数据集 sample() 函数是用于随机采样的函数，用法如下：

函数模型: sample(x, size, replace = FALSE, prob = NULL)

x ：参数为一个向量，其中包含一个以上的元素；也可以为一个整数，如果为整数（N），采样范围为 1：N，包括N本身

size：即采样次数

replace ：表示是否重复采样，默认为 FALSE，如果为 TRUE，则表示为放回采样

prob： 参数可以设置 x 中每个元素被 sample 的概率

#设置随机种子set.seed(1234) #将数据按照7:3的比例随机划分为训练集和测试集ind<-sample(2,nrow(data),replace=TRUE,prob=c(0.7,0.3))traindata<-data[ind==1,]testdata<-data[ind==2,] 

构建 BPNN并训练

##Train the bpnn based on output from inputSYbp=nnet(y~x1+x2+x3+x4+x5+x6+x7+x8+x9+x10+x11,            data=data[ind==1,],            size =10,            rang=0.5,            decay=12e-2,            maxit=2000) SYbpprint(SYbp) plotnet(SYbp) #输出网络结构图garson(SYbp) # 输出因子重要性图

因子重要性图

预测在训练完了模型之后使用predict函数进行预测来得到分为各类的概率

## 预测net.tr_results <- predict(SYbp,data[ind==1,]) ls(net.tr_results)print(net.tr_results)data2=data.frame(traindata$LSI,net.tr_results) data2colnames(data2)<-c("y","pro")

最后可以用write.csv函数输出我们得到的概率write.csv(results,"all_pro.csv")

这就是一个简单的BP神经网络的R语言实现过程，从代码中可以看出，使用R编程相比于其他语言要简单很多，上手也更快。