Use nnet for Binary Classification
Arguments
- data
A dataframe to train a learner / learners on.
- formula
A regression formula to use inside this learner.
- trace
Whether nnet should print out its optimization success
- size
Size for neural network hidden layer
- ...
Any extra arguments that should be passed to the internal model for model fitting purposes.
Value
A prediction function that accepts newdata,
which returns predictions (a numeric vector of values, one for each row
of newdata).
Examples
lnr_nnet(mtcars, am ~ ., size = 50)(mtcars)
#> [,1]
#> Mazda RX4 9.989494e-01
#> Mazda RX4 Wag 9.987968e-01
#> Datsun 710 9.999189e-01
#> Hornet 4 Drive 7.653381e-05
#> Hornet Sportabout 7.653381e-05
#> Valiant 7.653388e-05
#> Duster 360 2.862336e-04
#> Merc 240D 7.653523e-05
#> Merc 230 2.954713e-04
#> Merc 280 3.026065e-03
#> Merc 280C 2.793400e-03
#> Merc 450SE 2.738521e-04
#> Merc 450SL 2.748954e-04
#> Merc 450SLC 2.730311e-04
#> Cadillac Fleetwood 7.653381e-05
#> Lincoln Continental 7.653381e-05
#> Chrysler Imperial 7.653381e-05
#> Fiat 128 9.999907e-01
#> Honda Civic 9.998928e-01
#> Toyota Corolla 9.999907e-01
#> Toyota Corona 3.557761e-03
#> Dodge Challenger 7.653381e-05
#> AMC Javelin 7.653381e-05
#> Camaro Z28 6.666151e-04
#> Pontiac Firebird 7.653381e-05
#> Fiat X1-9 9.999907e-01
#> Porsche 914-2 9.989967e-01
#> Lotus Europa 9.999966e-01
#> Ford Pantera L 9.998683e-01
#> Ferrari Dino 9.999995e-01
#> Maserati Bora 9.999957e-01
#> Volvo 142E 9.999004e-01
lnr_nnet(iris, I(Species == "setosa") ~ ., size = 50)(iris)
#> [,1]
#> 1 0
#> 2 0
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> 7 0
#> 8 0
#> 9 0
#> 10 0
#> 11 0
#> 12 0
#> 13 0
#> 14 0
#> 15 0
#> 16 0
#> 17 0
#> 18 0
#> 19 0
#> 20 0
#> 21 0
#> 22 0
#> 23 0
#> 24 0
#> 25 0
#> 26 0
#> 27 0
#> 28 0
#> 29 0
#> 30 0
#> 31 0
#> 32 0
#> 33 0
#> 34 0
#> 35 0
#> 36 0
#> 37 0
#> 38 0
#> 39 0
#> 40 0
#> 41 0
#> 42 0
#> 43 0
#> 44 0
#> 45 0
#> 46 0
#> 47 0
#> 48 0
#> 49 0
#> 50 0
#> 51 0
#> 52 0
#> 53 0
#> 54 0
#> 55 0
#> 56 0
#> 57 0
#> 58 0
#> 59 0
#> 60 0
#> 61 0
#> 62 0
#> 63 0
#> 64 0
#> 65 0
#> 66 0
#> 67 0
#> 68 0
#> 69 0
#> 70 0
#> 71 0
#> 72 0
#> 73 0
#> 74 0
#> 75 0
#> 76 0
#> 77 0
#> 78 0
#> 79 0
#> 80 0
#> 81 0
#> 82 0
#> 83 0
#> 84 0
#> 85 0
#> 86 0
#> 87 0
#> 88 0
#> 89 0
#> 90 0
#> 91 0
#> 92 0
#> 93 0
#> 94 0
#> 95 0
#> 96 0
#> 97 0
#> 98 0
#> 99 0
#> 100 0
#> 101 0
#> 102 0
#> 103 0
#> 104 0
#> 105 0
#> 106 0
#> 107 0
#> 108 0
#> 109 0
#> 110 0
#> 111 0
#> 112 0
#> 113 0
#> 114 0
#> 115 0
#> 116 0
#> 117 0
#> 118 0
#> 119 0
#> 120 0
#> 121 0
#> 122 0
#> 123 0
#> 124 0
#> 125 0
#> 126 0
#> 127 0
#> 128 0
#> 129 0
#> 130 0
#> 131 0
#> 132 0
#> 133 0
#> 134 0
#> 135 0
#> 136 0
#> 137 0
#> 138 0
#> 139 0
#> 140 0
#> 141 0
#> 142 0
#> 143 0
#> 144 0
#> 145 0
#> 146 0
#> 147 0
#> 148 0
#> 149 0
#> 150 0