22、神经网络与支持向量机：黑盒方法的深入解析

神经网络与支持向量机：黑盒方法的深入解析

1. 神经网络模型评估与优化

1.1 模型评估指标

在神经网络中，误差测量常用平方误差和（Sum of Squared Errors，SSE），它是预测值与实际值差值的平方和。较低的 SSE 意味着更好的预测性能，但它只能估计模型在训练数据上的表现，对未知数据的预测能力参考价值有限。

1.2 评估模型性能步骤

为了评估模型在测试数据集上的性能，我们可以使用 compute() 函数生成预测值。以下是具体操作步骤：
1. 使用 compute() 函数生成预测结果：

model_results <- compute(concrete_model, concrete_test[1:8])

2. 提取预测值：

predicted_strength <- model_results$net.result

3. 由于这是一个数值预测问题，我们使用 cor() 函数计算预测值与真实值之间的相关性：

cor(predicted_strength, concrete_test$strength)

运行结果可能如