是课本的例子，详见《机器学习与R语言 [美]Brett Lantz》第7.2章，154页。

准备

下载csv文件，https://github.com/stedy/Machine-Learning-with-R-datasets
在目录下创建R语言的workspace，将concrete.csv放在工作目录下；

下载neuralnet添加包用于网络实现，可以直接通过键入语句下载：

如果因为网络问题无法下载成功也可以选择手动导入.tgz文件，https://github.com/HazelNuto/RLanguage.git
下载Deriv_3.8.5.tgz和neuralnet_1.44.2.tgz两个文件，然后在RStudio中到Tools -> Install Packages… -> 选择Package Archive File

使用’setwd()'设置改变工作目录：

载入下载的concrete.csv：

使用标准化函数对数据进行处理：
as.data.frame()表示对已有的常用的类型转换，lapply(list apply)表示对列表的每个组件执行给定的函数，并返回另一个列表；

观察处理后的数据

将标准化处理后的数据分成训练集和测试集两部分：
这里的训练集和测试集对标准化数据进行拷贝赋值，[]中第一个数据1:773表示将原列表中1到773行作为新列表的行，第二个数据为空表示使用原列表中的所有列（属性）作为新列表的列；

观察得到的测试集的数据

使用neuralnet进行建模：
第一个参数是需要建模的输出变量，第二个参数是用于预测的特征的公式，第三个参数是包含了前面的特征和标签的数据集，第四个参数（可以不写，默认是1）是隐藏层中神经元的数目；
绘制出的模型的图像
如果我们反复的用同样的方式建模，得到的结果是不同的

基于测试数据集使用compute()函数生成预测：
compute()返回一个带有两个分量的列表：$neurons存储网络中每一层神经元，$net.results存储预测值；这里得到预测值即预测强度后，使用cor()函数进行对预测值和测试集中的强度参数进行相关性计算；

相关性接近1表示两个变量之间具有很强的线性关系，因此预测得到的数据与测试集间相关性越接近1，表示预测的模型越好。

要生成更复杂的前馈网络模型，在之前的基础上添加更多的隐藏点，即设置参数hidden为隐藏点个数：

模型变的更加复杂

重新计算与测试集数据的相关性，已经提升到了0.8，证明在当前情况下增加一定的隐藏点确实提升了模型的准确性：