R语言 CMA包 nnetCMA()函数中文帮助文档(中英文对照)

loveR

nnetCMA(CMA)
nnetCMA()所属R语言包：CMA

                                        Feed-forward Neural Networks
                                         前馈神经网络

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

This method provides access to the function nnet in the package of the same name that trains Feed-forward Neural Networks with one hidden layer.<br> For S4 method information, see nnetCMA-methods
这种方法提供访问nnet在训练前馈神经网络与一个隐藏层的同名包。S4方法信息参考的功能，看到nnetCMA方法


用法----------Usage----------


nnetCMA(X, y, f, learnind, eigengenes = FALSE, models=FALSE,...)



参数----------Arguments----------

参数：X
Gene expression data. Can be one of the following:   
基因表达数据。可以是下列之一：

A matrix. Rows correspond to observations, columns to variables.  
Amatrix。行对应的观察，列变量。

A data.frame, when f is not missing (s. below).  
一个data.frame时f不缺少（S.下面）。

An object of class ExpressionSet.  
对象类ExpressionSet。


参数：y
Class labels. Can be one of the following:   
类的标签。可以是下列之一：

A numeric vector.  
一个numeric向量。

A factor.  
Afactor。

A character if X is an ExpressionSet that specifies the phenotype variable.  
一个如果character X是一个ExpressionSet指定的表型变量。

missing, if X is a data.frame and a proper formula f is provided.  
missing，X是data.frame和适当的公式f提供。

WARNING: The class labels will be re-coded to range from 0 to K-1, where K is the total number of different classes in the learning set.  
警告：类标签将被重新编码范围从0K-1，K是在学习集不同类别的总数。


参数：f
A two-sided formula, if X is a data.frame. The left part correspond to class labels, the right to variables.
一个双面的公式，如果X是data.frame。左边部分对应类的标签，对变量的权利。


参数：learnind
An index vector specifying the observations that belong to the learning set. May be missing; in that case, the learning set consists of all observations and predictions are made on the learning set.
索引向量指定属于学习集的意见。可能missing;在这种情况下，学习组学习集的所有意见和预测。


参数：eigengenes
Should the training be performed be in the space of eigengenes obtained from a singular value decomposition of the Gene expression data matrix ? Default is FALSE; in this case, variable selection is necessary to reduce the number of weights that have to be optimized.
应该进行培训是从基因表达数据矩阵奇异值分解得到eigengenes的空间呢？默认是FALSE;在这种情况下，变量的选择是必要的，要优化的重量，以减少数量。


参数：models
a logical value indicating whether the model object shall be returned  
一个逻辑值，该值指示是否应归还模型对象


参数：...
Further arguments passed to the function nnet from the package of the same name.<br> Important parameters are:   
进一步的参数传递给函数的nnet来自同名的软件包参考的重要参数是：

"size", i.e. the number of units in the hidden layer  
"size"，即在隐藏层单位数目

"decay" for weight decay.  
"decay"重量衰减。


值----------Value----------

An object of class cloutput.
对象类cloutput。


注意----------Note----------


作者（S）----------Author(s)----------


Martin Slawski <a href="mailto:ms@cs.uni-sb.de">ms@cs.uni-sb.de</a>

Anne-Laure Boulesteix <a href="mailto:boulesteix@ibe.med.uni-muenchen.de">boulesteix@ibe.med.uni-muenchen.de</a>

Christoph Bernau <a href="mailto:bernau@ibe.med.uni-muenchen.de">bernau@ibe.med.uni-muenchen.de</a>



参考文献----------References----------

Pattern Recognition and Neural Networks.<br>

参见----------See Also----------

compBoostCMA, dldaCMA, ElasticNetCMA, fdaCMA, flexdaCMA, gbmCMA, knnCMA, ldaCMA, LassoCMA, nnetCMA, pknnCMA, plrCMA, pls_ldaCMA, pls_lrCMA, pls_rfCMA, pnnCMA, qdaCMA, rfCMA,
compBoostCMA，dldaCMA，ElasticNetCMA，fdaCMA，flexdaCMA，gbmCMA，knnCMA，ldaCMA，LassoCMA，nnetCMA，pknnCMA，plrCMA，pls_ldaCMA，pls_lrCMA，pls_rfCMA，pnnCMA，qdaCMA ，rfCMA


举例----------Examples----------


### load Golub AML/ALL data[＃负载戈卢布反洗钱/所有数据]
data(golub)
### extract class labels[＃提取类标签]
golubY <- golub[,1]
### extract gene expression from first 10 genes[＃提取从第10个基因的基因表达]
golubX <- as.matrix(golub[,2:11])
### select learningset[＃选择learningset]
ratio <- 2/3
set.seed(111)
learnind <- sample(length(golubY), size=floor(ratio*length(golubY)))
### run nnet (not tuned)[＃运行nnet（不调整）]
nnetresult <- nnetCMA(X=golubX, y=golubY, learnind=learnind, size = 3, decay = 0.01)
### show results[＃显示结果]
show(nnetresult)
ftable(nnetresult)
plot(nnetresult)
### in the space of eigengenes (not tuned)[＃在的空间eigengenes（不调整）]
golubXfull <-  as.matrix(golubX[,-1])
nnetresult <- nnetCMA(X=golubXfull, y=golubY, learnind = learnind, eigengenes = TRUE,
                      size = 3, decay = 0.01)
### show results[＃显示结果]
show(nnetresult)
ftable(nnetresult)
plot(nnetresult)

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。