針對UCI的seeds資料集，基於R中的神經網路包（nnet）做分類，並計算分類的測試誤差。

分類是一種有監督的學習任務，我們需要一些帶有標籤屬性的資料和我們需要預測的新資料。
舉例說明，垃圾郵件識別問題，可以理解為一個二分類問題，即識別一封郵件是否是垃圾郵件並作出相應的處理。我們解決分類問題，通常的思路是原始資料集劃分為訓練集和測試集，利用訓練集來訓練一個分類模型集合，然後利用測試來選擇最優模型，最後利用模型識別或者判斷新的郵件是否是垃圾郵件。
分類的方法很豐富，每一種分類方法有著各自的優劣和應用場景。本文利用神經網路分類方法來對資料集進行分類。
我所採用的資料集是公開資料集seeds，可以直接在網上下載，網址是：http://archive.ics.uci.edu/ml/datasets/seeds#。

seeds資料集描述如表1所示。

表1 seeds 資料集概況
由上表可知，seed資料集有7個實數屬性和1個類別屬性，該資料集可以用於來做分類或者聚類分析與驗證。
R中做神經網路演算法的包是nnet包。
第一步：匯入原始資料集seeds
seeds <-read.table("D:/DMinR/nnet/seeds.txt", header=FALSE, sep="")
第二步：給資料集中變數重新命名，依次是面積、周長、緊湊率、核長度、核寬度、不對稱係數、核心槽長度和類別，依次命名為:A, P, C , L, W, AC, LKG,Label
names(seeds) <-c("A", "P", "C", "L", "W","AC", "LKG", "Label")
第三步：把seed資料集劃分為訓練70%的訓練資料集和30%的測試資料集
#獲取各自的索引號
trainIndex <-sample(1:210, 147)
trainIndex
testIndex <-setdiff(1:210, trainIndex)
testIndex
第四步：利用神經網路對訓練資料集獲得模型
library(nnet)
ideal <-class.ind(seeds$Label)
seedsANN <-nnet(seeds[trainIndex, -8], ideal[trainIndex, ], size=10, softmax=TRUE)
第五步：對測試資料及進行測試
testLabel <-predict(seedsANN, seeds[testIndex, -8], type="class")
#第六步：計算測試誤差率
my_table <-table(seeds[testIndex,]$Label, testLabel)
test_error <-1 -sum(diag(my_table)) / sum(my_table)
test_error
測試誤差為：0.0476，即4.76%。