作为对孟加拉国妇女生育率定期调查的一部分，Huq和Cleland收集了社会自由流动性数据。他们对8445名农村妇女是否可以单独从事某些活动进行了问卷调查（见表6.1）。
表6.1 妇女的社会自由流动性所使用的变量
（续）
【例6.2】使用这个示例数据构建自编码网络。
（1）加载依赖的包和数据
＞require（RcppDL）
＞require（＂ltm＂）
＞data（Mobility）
＞data＜=Mobility
（2）数据准备
从8445个样本中不重复抽取了1000个样本观测值。其中800个观测值用作训练集，剩下200个观测值用作测试集。
＞set.seed（17）
＞n=nrow（data）
＞sample＜=sample（1：n，1000，FALSE）
＞data＜=as.matrix（Mobility[sample，]）
＞n=nrow（data）
＞train＜=sample（1：n，800，FALSE）创建训练样本和测试样本代码如下：
＞x_train＜=matrix（as.numeric（unlist（data[train，]）），nrow=nrow（data[train，]））
＞x_test＜=matrix（as.numeric（unlist（data[-train，]）），nrow=nrow（data[-train，]））
需要进行检查以确保有正确的样本容量。训练集应该为800个观测值，测试集应该有200个观测值。
＞nrow（x_train）
[1]800
＞nrow（x_test）
[1]200
所有这些看起来都还不错。现在把原来的响应变量从属性R对象中删除。在这个例子中，将Item3（与一个不了解的男人说话）作为响应变量。下面代码示例怎样将Item3从属性对象中删除：
＞x_train＜=x_train[，-3]
＞x_test＜=x_test[，-3]
（3）建模
接下来使用RcppDL包中的Rsda函数构造降噪自编码网络。需要用两个响应变量。首先为训练样本创建响应变量。
＞y_train＜=data[train，3]
＞temp＜=ifelse（y_train==0，1，0）
＞y_train＜=cbind（y_train，temp）
对于测试样本，遵循相同的程序。
＞y_test＜=data[-train，3]
＞temp1＜=ifelse（y_test==0，1，0）
＞y_test＜=cbind（y_test，temp1）
现在来详细说明模型。以上构造了一个没有任何噪声的堆栈自编码网络，两个隐藏层，每层包含10个结点。
＞hidden=c（10，10）
＞fit＜=Rsda（x_train，y_train，hidden）(www.xing528.com)
Rsda默认的噪声等级是30%。因为是从一个常规的堆栈自编码网络开始的，所以将噪声设置为0。
＞setCorruptionLevel（fit，x=0.0）
注意：可以在Rsda包中设置很多参数。
＞setCorruptionLevel（model，x）也可以为微调和预训练阶段选择样本数量和学习率。
setFinetuneEpochs
setFinetuneLearningRate
setPretrainLearningRate
setPretrainEpochs
预训练和微调模型相当简单。
＞pretrain（fit）
＞finetune（fit）
（4）模型部署
因为样本很小，所以模型收敛很快。可以使用测试样本来看看对响应变量预测的概率。
＞predProb＜=predict（fit，x_test）
＞head（predProb，6）
[，1] [，2]
[1，] 0.4481689 0.5518311
[2，] 0.4481689 0.5518311
[3，] 0.4481689 0.5518311
[4，] 0.6124651 0.3875349
[5，] 0.4481689 0.5518311
[6，] 0.8310412 0.1689588
观察到模型预测的前三个观测值中有45%属于1类，55%属于2类。来看看它是怎样实现的。
＞head（y_test，3）
虽然第一个观测错过了！然而，第二个和第三个观测值正在被正确地分类。最后，构建混淆矩阵。
＞pred1＜=ifelse（predProb[，1]＞=0.5，1，0）
＞table（pred1，y_test[，1]，dnn=c（＂Predicted＂，＂Observed＂））
接下来，重建模型。这一次添加25%的噪声。
＞setCorruptionLevel（fit，x=0.25）
＞pretrain（fit）
＞finetune（fit）
＞predProb＜=predict（fit，x_test）
＞pred1＜=ifelse（predProb[，1]＞=0.5，1，0）
＞table（pred1，y_test[，1]，dnn=c（＂Predicted＂，＂Observed＂））
这个混合矩阵与没有任何噪声的堆栈自编码网络的一样。所以，在这种情况下添加噪声没有多少好处。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
