我是神经网络的新手，所以对我的天真问题感到抱歉。我想了解NNET函数的输出。我正在使用此功能执行多类分类。
特别是，我有一个具有216个主题，6个变量和一列的数据集，代表类（类是三个）。
SRT_LTS_1 SRT_LTS_2 SRT_LTS_3 SRT_LTS_4 SRT_LTS_5 SRT_LTS_6 SRT_Recall_D_tot Classe
DATSANI01 1.386294 1.609438 2.079442 2.302585 2.397895 2.397895 2.564949 2
DATSANI02 1.945910 2.079442 2.079442 2.197225 2.302585 2.302585 2.079442 2
DATSANI03 2.079442 2.302585 2.302585 2.397895 2.397895 2.397895 2.397895 2
DATSANI04 1.609438 2.079442 2.397895 2.397895 2.397895 2.397895 2.397895 2
DATSANI05 2.197225 2.484907 2.484907 2.564949 2.564949 2.564949 2.484907 2
DATSANI06 2.079442 2.397895 2.484907 2.564949 2.564949 2.564949 2.564949 2
在训练集和测试测试中分配数据集后，我使用class.ind函数修改了数据框，以面对多类分类的问题，例如二进制组合：
nnet_trainData_SRT2$Y = class.ind(nnet_trainData_SRT2$Classe)
nnet_trainData_SRT2$Classe=NULL
所以，现在，我的数据帧就是这样：
SRT_LTS_1 SRT_LTS_2 SRT_LTS_3 SRT_LTS_4 SRT_LTS_5 SRT_LTS_6 SRT_Recall_D_tot Y.0 Y.1 Y.2
DATNPS_209 1.791759 2.079442 2.397895 2.564949 2.564949 2.564949 2.564949 0 1 0
DATNPS_108 2.197225 2.564949 2.564949 2.564949 2.564949 2.564949 2.564949 0 1 0
DATNPS_234 2.197225 2.397895 2.484907 2.564949 2.564949 2.564949 2.564949 0 1 0
DATNPS_191 1.609438 1.791759 2.079442 2.197225 2.302585 2.302585 1.945910 0 1 0
DATNPS_126 2.397895 2.484907 2.484907 2.564949 2.564949 2.564949 2.564949 0 1 0
DATSANI22 1.386294 1.945910 2.302585 2.484907 2.564949 2.564949 2.564949 0 0 1
其中1和0分别为三个类别之一，分别为该子JCET。
然后，我使用nnet函数：
model_nnSRT2<-nnet(Y~ SRT_LTS_1 +SRT_LTS_2+ SRT_LTS_3 +SRT_LTS_4+ SRT_LTS_5 +SRT_LTS_6, nnet_trainData_SRT2, size=2, decay=0.1,softmax=TRUE,entropy=TRUE).
，但是当我得到时，我不理解此功能的输出 model_nnSRT2$fitted.values：
0 1 2
DATNPS_209 0.01699072 0.827037151 0.1559721302
DATNPS_108 0.01789546 0.771608777 0.2104957604
DATNPS_234 0.01645185 0.794800012 0.1887481349
DATNPS_191 0.05037927 0.839477193 0.1101435346
DATNPS_126 0.01603337 0.788266382 0.1957002460
DATSANI22 0.01740139 0.836014235 0.1465843749
DATNPS_34 0.02802254 0.791518861 0.1804586001
DATNPS_117 0.05310552 0.835370232 0.1115242473
DATNPS_22 0.01726448 0.799919291 0.1828162304
DATNPS_189 0.01861498 0.775974194 0.2054108222
DATNPS_228 0.98459076 0.014816869 0.0005923730
DATNPS_255 0.01770538 0.788957760 0.1933368566
和model_nnSRT2$residuals。
0 1 2
DATNPS_209 -0.016990718 0.172962849 -0.1559721302
DATNPS_108 -0.017895462 0.228391223 -0.2104957604
DATNPS_234 -0.016451854 0.205199988 -0.1887481349
DATNPS_191 -0.050379272 0.160522807 -0.1101435346
DATNPS_126 -0.016033372 0.211733618 -0.1957002460
DATSANI22 -0.017401390 -0.836014235 0.8534156251
DATNPS_34 -0.028022539 0.208481139 -0.1804586001
DATNPS_117 -0.053105521 0.164629768 -0.1115242473
DATNPS_22 -0.017264479 0.200080709 -0.1828162304
DATNPS_189 -0.018614984 0.224025806 -0.2054108222
DATNPS_228 0.015409242 -0.014816869 -0.0005923730
DATNPS_255 -0.017705384 0.211042240 -0.1933368566
这持续数字意味着什么？为什么我没有model_nnSRT2$fitted.values的0或1的班级输出？该功能如何计算残差？
我实际上没有对R的经验，但是从神经网的角度来看，输出似乎很合理。
神经网络中的类实际上是一种神经元，它根据其激活功能（概率）提供。在您的情况下，有三个（0-2）。因此，似乎每个神经元（或类）的净输出似乎有某种概率。您可以通过总结输出来看到这一点。它们等于每个样品。这显示了网络在特定样本上的表现如何。例如，如果您的样本属于特定类，则关联的神经元应尽可能接近一个和其他类别。
残差只是预测值和目标值之间的差异。您可以通过检查值来验证这一点。因此，这意味着残差必须尽可能小。您可以从数据中看到...未分类的样本的残差确实很高。