26、回归分析实践：神经网络回归应用

回归分析实践：神经网络回归应用

在实际的数据分析中，我们常常会遇到各种各样的回归问题，而神经网络回归是一种强大的工具。本文将详细介绍如何使用神经网络进行回归分析，从数据准备到模型训练，再到模型评估和比较，带你一步步了解整个过程。

1. 汽车数据与神经网络包介绍

在汽车领域，有一个有趣的现象：加速度较高的汽车通常燃油消耗较低，这主要是因为这类汽车重量较轻，而一般重型汽车的加速往往较慢。

为了进行神经网络回归分析，我们将使用 neuralnet 包。这个包可以通过反向传播、弹性反向传播（RPROP，有无权重回溯均可）或改进的全局收敛版本（GRPROP）来训练神经网络。它允许我们自定义误差函数和激活函数，还能计算广义权重。以下是该包的一些基本信息：
| 信息项 | 详情 |
| ---- | ---- |
| 包名 | neuralnet |
| 日期 | 2016 年 8 月 16 日 |
| 版本 | 1.33 |
| 标题 | Training of Neural Networks |
| 作者 | Stefan Fritsch, Frauke Guenther, Marc Suling, Sebastian M. Mueller |

该包中一些常用的函数如下：
- neuralnet ：用于训练神经网络。
- compute ：对给定的协变量向量计算给定神经网络的输出。
- prediction ：总结神经网络的输出、数据以及