模块化生物信息学分析流程

深度学习-人工神经网络（ANN）的构建（16）

¥39.90

购买后会显示你购买的服务器的账号和密码。并且发送服务器的账号和密码到你的邮箱作为备份。格式为xxxx:zzzz  （以“：”分割，前边是账号，后边是密码），例如  xiaoyun:998899 那么你的服务器的账号和密码分别是xiaoyun和998899。

有了账号和密码后，不会登录服务器的参考链接：https://www.biocloudservice.com/wordpress/?p=292  

有问题咨询客服，客服微信：18502195490

购买前有疑问？

可以先确认适用场景、配置、交付内容和开通方式。联系客服

分类：

描述

神经网络由一组互联的结点组成，这些节点分别负责网络的输入，连接，处理以及输出。神经网络被广泛用于诸如分类、聚类、预测等诸多领域。借助neuralnet训练得到神经网络模型。
人工神经网络（ANN）是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
ANN的优势：

  1. 可以检测因变量与自变量之间的非线性关
  2. 可以利用算法并行化实现对大数据的高效训练
  3. 属于无参模型，能够避免参数估计过程中产生的错误
小编最近发现已有部分研究将深度学习–ANN模型应用于生信文章，如下图。这篇影响因子 > 5分简单纯生信文章。
但是具体要如何实现？？？今天，小编以代码提供的数据为例进行说明。
代码具体包括：（文末付费后领取）Step1 输入数据并构建ANN网络Step2连接权重计算及其gwplot函数可视化Step3 重要变量的ROC曲线和AUC值计算

下面是代码中附带数据逐步分析结果：

 ANN 网路图

 Weights  权重结果
ROC  曲线
神奇吧，就是如此简单，我们用的都是入门级函数，稍微懂点R语言就能实现。

相关产品