nnfor 库如何选择 elm 和 mlp 网络中每一层的节点数？
How does nnfor library choose number of nodes in each layer in elm and mlp networks?
我使用 nnfor 库中的 mlp 和 elm 函数来预测非平稳时间序列。它们都在输入层和隐藏层中提供不同数量的节点。我对他们如何选择每一层中的节点数量很感兴趣，如果能理解泛化错误改变它在该函数中的工作方式会很棒。
mlp函数选择的隐藏节点数取决于hd.auto.type参数的值：
- "set" 修复了 hd=5。
- "valid" 使用 20% 的验证集（随机）抽样找到
隐藏节点的最佳数量。
- "cv" 使用 5 折交叉验证。
- "elm" 使用 ELM 估计隐藏节点的数量（实验）。
"valid"、"cv"和"elm"参数取值范围为1到max(2, min(dim(X)[2] + 2, length(Y) - 2))的隐藏节点数。这些隐藏节点仅限于单层。
"cv" 和 "valid" 方法使用均方误差的最小值来查找隐藏节点的数量。
据我所知source code中的auto.hd.elm函数，"elm"方法使用显着模型系数个数的中值来选择隐藏节点。希望这对你有意义！
elm函数使用min(100 - 60*(type=="step" | type=="lm"),max(4, length(Y) - 2 - as.numeric(direct)*length(X[1,])))来确定隐藏节点的数量。其中 type 是用于输出层权重的估计，direct 是存在直接输入-输出连接。
输入节点的数量取决于季节性和滞后。
可以使用交叉验证来估计泛化误差。需要明确的是，这种交叉验证必须与用于查找隐藏节点数量的任何验证分开进行。
nnfor 包的作者有一篇介绍性的博客 post，可能值得一读：http://kourentzes.com/forecasting/2017/02/10/forecasting-time-series-with-neural-networks-in-r/
我使用 nnfor 库中的 mlp 和 elm 函数来预测非平稳时间序列。它们都在输入层和隐藏层中提供不同数量的节点。我对他们如何选择每一层中的节点数量很感兴趣，如果能理解泛化错误改变它在该函数中的工作方式会很棒。
mlp函数选择的隐藏节点数取决于hd.auto.type参数的值：
- "set" 修复了 hd=5。
- "valid" 使用 20% 的验证集（随机）抽样找到 隐藏节点的最佳数量。
- "cv" 使用 5 折交叉验证。
- "elm" 使用 ELM 估计隐藏节点的数量（实验）。
"valid"、"cv"和"elm"参数取值范围为1到max(2, min(dim(X)[2] + 2, length(Y) - 2))的隐藏节点数。这些隐藏节点仅限于单层。
"cv" 和 "valid" 方法使用均方误差的最小值来查找隐藏节点的数量。
据我所知source code中的auto.hd.elm函数，"elm"方法使用显着模型系数个数的中值来选择隐藏节点。希望这对你有意义！
elm函数使用min(100 - 60*(type=="step" | type=="lm"),max(4, length(Y) - 2 - as.numeric(direct)*length(X[1,])))来确定隐藏节点的数量。其中 type 是用于输出层权重的估计，direct 是存在直接输入-输出连接。
输入节点的数量取决于季节性和滞后。
可以使用交叉验证来估计泛化误差。需要明确的是，这种交叉验证必须与用于查找隐藏节点数量的任何验证分开进行。
nnfor 包的作者有一篇介绍性的博客 post，可能值得一读：http://kourentzes.com/forecasting/2017/02/10/forecasting-time-series-with-neural-networks-in-r/