Update app.R

app.R

@@ -218,47 +218,43 @@ ui <- fluidPage(
                      )
                    )
           ),
-          tabPanel("Multilayer Perceptron",
-                   sidebarLayout(
-                     sidebarPanel(
-                       fileInput("mlp_fileInput", "Choose CSV/XLSX/XSX File", accept = c(".csv", ".xlsx", ".xsx")),
-                       uiOutput("mlp_preprocessUI"),
-                       numericInput("mlp_hiddenLayers", "Number of Hidden Layers", value = 1),
-                       numericInput("mlp_neurons", "Neurons in Hidden Layer", value = 5),
-                       numericInput("mlp_epochs", "Number of Epochs", value = 100),
-                       actionButton("mlp_trainButton", "Train MLP Model"),
-                       HTML("<div>
-  <h2>Çok Katmanlı Perseptron Modeli</h2>
-  <p>Çok katmanlı perseptron modeli, derin öğrenme ve yapay sinir ağlarının temel yapı taşlarından biridir. Bu model, karmaşık veri yapılarını öğrenebilme ve tahmin etme yeteneğiyle ön plana çıkar.</p>
-  
-  <h3>Kullanım Adımları:</h3>
-  <ol>
-    <li><strong>Veri Dosyası Yükleme:</strong> <code>fileInput</code> aracı ile CSV, XLSX veya XSX formatlarında veri dosyanızı yükleyin.</li>
-    <li><strong>Ön İşleme ve Değişken Seçimi:</strong> Dinamik olarak oluşturulan UI üzerinden hedef değişken, öngörücü değişken(ler) ve koşullu değişken seçin.</li>
-    <li><strong>Model Parametreleri:</strong> Gizli katman sayısı, bir gizli katmandaki nöron sayısı ve dönem sayısı gibi model parametrelerini ayarlayın.</li>
-    <li><strong>Modeli Eğit:</strong> <code>Train MLP Model</code> butonu ile çok katmanlı perceptron modelinizi eğitin.</li>
-  </ol>
-
-  <h3>Model Çıktısı ve Değerlendirme:</h3>
-  <p>Model eğitimi tamamlandıktan sonra, eğitim sürecini ve modelin performansını gösteren grafikler ve özet metinler kullanıcıya sunulur. Model, verilen parametrelere göre en iyi yapılandırmayı öğrenmeye çalışır.</p>
+tabPanel("Multilayer Perceptron",
+  sidebarLayout(
+    sidebarPanel(
+      fileInput("mlp_fileInput", "Choose CSV/XLSX/XSX File", accept = c(".csv", ".xlsx", ".xls")),
+      uiOutput("mlp_preprocessUI"),
+      numericInput("mlp_hiddenLayers", "Number of Hidden Layers", value = 1),
+      numericInput("mlp_neurons", "Neurons in Hidden Layer", value = 5),
+      numericInput("mlp_epochs", "Number of Epochs", value = 100),
+      actionButton("mlp_trainButton", "Train MLP Model"),
+      HTML("<div>
+        <h2>Çok Katmanlı Perseptron Modeli</h2>
+        <p>Çok katmanlı perseptron modeli, derin öğrenme ve yapay sinir ağlarının temel yapı taşlarından biridir. Bu model, karmaşık veri yapılarını öğrenebilme ve tahmin etme yeteneğiyle ön plana çıkar.</p>
+        <h3>Kullanım Adımları:</h3>
+        <ol>
+          <li><strong>Veri Dosyası Yükleme:</strong> <code>fileInput</code> aracı ile CSV, XLSX veya XSX formatlarında veri dosyanızı yükleyin.</li>
+          <li><strong>Ön İşleme ve Değişken Seçimi:</strong> Dinamik olarak oluşturulan UI üzerinden hedef değişken, öngörücü değişken(ler) ve koşullu değişken seçin.</li>
+          <li><strong>Model Parametreleri:</strong> Gizli katman sayısı, bir gizli katmandaki nöron sayısı ve dönem sayısı gibi model parametrelerini ayarlayın.</li>
+          <li><strong>Modeli Eğit:</strong> <code>Train MLP Model</code> butonu ile çok katmanlı perceptron modelinizi eğitin.</li>
+        </ol>
+        <h3>Model Çıktısı ve Değerlendirme:</h3>
+        <p>Model eğitimi tamamlandıktan sonra, eğitim sürecini ve modelin performansını gösteren grafikler ve özet metinler kullanıcıya sunulur. Model, verilen parametrelere göre en iyi yapılandırmayı öğrenmeye çalışır.</p>
+        <h3>Uygulama Alanları:</h3>
+        <p>Çok katmanlı perseptron modelleri, görüntü ve ses işleme, metin sınıflandırma ve finansal tahminler gibi geniş bir uygulama alanına sahiptir.</p>
+        <h3>Sonuçların Yorumlanması:</h3>
+        <p>Modelin başarımı, hata oranları, adım sayısı ve ağırlık dağılımları üzerinden değerlendirilir. Eğitim sürecinde elde edilen ağırlık değerleri, modelin öğrenme kapasitesini ve veri üzerindeki genelleme yeteneğini gösterir. Ayrıca, modelin gerçek dünya verileri üzerindeki performansını test etmek için ayrı bir test veri seti kullanılması önerilir.</p>
+      </div>")
+    ),
+    mainPanel(
+      tabsetPanel(
+        tabPanel("Multilayer Output", plotOutput("mlp_trainingPlot", width = "100%", height = "700px")),
+        tabPanel("Evaluation", verbatimTextOutput("mlp_evaluation")),
+        tabPanel("GW Plot", plotOutput("mlp_gwplot", width = "100%", height = "700px"))
+      )
+    )
+  )
+),
 
-  <h3>Uygulama Alanları:</h3>
-  <p>Çok katmanlı perseptron modelleri, görüntü ve ses işleme, metin sınıflandırma ve finansal tahminler gibi geniş bir uygulama alanına sahiptir.</p>
-
-  <h3>Sonuçların Yorumlanması:</h3>
-  <p>Modelin başarımı, hata oranları, adım sayısı ve ağırlık dağılımları üzerinden değerlendirilir. Eğitim sürecinde elde edilen ağırlık değerleri, modelin öğrenme kapasitesini ve veri üzerindeki genelleme yeteneğini gösterir. Ayrıca, modelin gerçek dünya verileri üzerindeki performansını test etmek için ayrı bir test veri seti kullanılması önerilir.</p>
-</div>")
-                       
-                     ),
-                     mainPanel(
-                       tabsetPanel(
-                         tabPanel("Multilayer Output", plotOutput("mlp_trainingPlot", width = "100%", height = "700px")),
-                         tabPanel("Evaluation", verbatimTextOutput("mlp_evaluation")),
-                         tabPanel("GW Plot", plotOutput("mlp_gwplot", width = "100%", height = "700px"))
-                       )
-                     )
-                   )
-          ),
 
         )
 )
@@ -361,83 +357,77 @@ server <- function(input, output, session) {
   
   ##Multiple Perceptron Model
   # Reactive expression for data input
-  dataMLP <- reactive({
-    req(input$mlp_fileInput)
-    inFile <- input$mlp_fileInput
-    if (grepl("\\.csv$", inFile$name)) {
-      read.csv(inFile$datapath, stringsAsFactors = FALSE)
-    } else if (grepl("\\.(xlsx|xls)$", inFile$name)) {
-      readxl::read_xlsx(inFile$datapath)
-    } else {
-      stop("Unsupported file type")
-    }
-  })
+# Reactive expression for data input
+dataMLP <- reactive({
+  req(input$mlp_fileInput)
+  inFile <- input$mlp_fileInput
+  if (grepl("\\.csv$", inFile$name)) {
+    read.csv(inFile$datapath, stringsAsFactors = FALSE)
+  } else if (grepl("\\.(xlsx|xls)$", inFile$name)) {
+    readxl::read_xlsx(inFile$datapath)
+  } else {
+    stop("Unsupported file type")
+  }
+})
+
+output$mlp_preprocessUI <- renderUI({
+  req(dataMLP())
+  varNames <- names(dataMLP())
+  tagList(
+    selectInput("mlp_targetVariable", "Select Target Variable", choices = varNames),
+    selectInput("mlp_variables", "Select Predictor Variables", choices = varNames, multiple = TRUE),
+    selectInput("mlp_covariate", "Select Covariate Variable", choices = varNames),
+    tags$p(HTML("Please select Covariate Variable from Predictor Variables"))
+  )
+})
+
+observeEvent(input$mlp_trainButton, {
+  req(dataMLP(), input$mlp_targetVariable, input$mlp_variables)
+  data <- dataMLP()
+  data <- na.omit(data)
   
-  output$mlp_preprocessUI <- renderUI({
-    req(dataMLP())
-    varNames <- names(dataMLP())
-    tagList(
-      selectInput("mlp_targetVariable", "Select Target Variable", choices = varNames),
-      selectInput("mlp_variables", "Select Predictor Variables", choices = varNames, multiple = TRUE),
-      selectInput("mlp_covariate", "Select Covariate Variable", choices = varNames),
-      tags$p(HTML("Please select Covariate Variable from Predictor Variables"))
-    )
+  # Define the formula for the neural network
+  formula <- as.formula(paste(input$mlp_targetVariable, "~", paste(input$mlp_variables, collapse = "+")))
+  
+  # Train the neural network model
+  nn <- neuralnet(formula, data, hidden = rep(input$mlp_neurons, input$mlp_hiddenLayers), linear.output = FALSE, threshold = 0.01, stepmax = input$mlp_epochs)
+  
+  # Plot the neural network
+  output$mlp_trainingPlot <- renderPlot({
+    plot(nn, rep = "best")
   })
   
-  observeEvent(input$mlp_trainButton, {
-    req(dataMLP(), input$mlp_targetVariable, input$mlp_variables)
-    data <- dataMLP()
-    data <- na.omit(data)
-    
-    # Define the formula for the neural network
-    formula <- as.formula(paste(input$mlp_targetVariable, "~", paste(input$mlp_variables, collapse = "+")))
-    
-    # Train the neural network model
-    nn <- neuralnet(formula, data, hidden = c(input$mlp_neurons), linear.output = FALSE, threshold = 0.01, stepmax = input$mlp_epochs)
+  # Print the result matrix of the neural network
+  output$mlp_evaluation <- renderPrint({
+    print(nn$result.matrix)
+    cat("\nNeural Network Model Performance Summary:\n")
     
-    # Plot the neural network
-    output$mlp_trainingPlot <- renderPlot({
-      plot(nn,rep = "best")
-    })
+    if (nn$result.matrix["error", ] > 200) {
+      cat("The model error of", nn$result.matrix["error", ], "is above the expected threshold. This may indicate that the model does not fit the data well. Consider collecting more data, feature engineering, or adjusting the model's complexity.\n")
+    } else {
+      cat("The model error of", nn$result.matrix["error", ], "is within the acceptable range, suggesting the model has learned the patterns from the data effectively.\n")
+    }
     
+    cat("The model took", nn$result.matrix["steps", ], "steps to converge, which indicates ", ifelse(nn$result.matrix["steps", ] < 3000, "an efficient training process.", "that the maximum set steps were reached without sufficient convergence."), "\n")
     
-    # Print the result matrix of the neural network
-    output$mlp_evaluation <- renderPrint({
-      print(nn$result.matrix)
-      # Neural Network Model Performance Summary
-      cat("\nNeural Network Model Performance Summary:\n")
-      
-      # If the error is not within a reasonable range, you could give more context:
-      if (nn$result.matrix["error", ] > 200) {
-        cat("The model error of", nn$result.matrix["error", ], "is above the expected threshold. This may indicate that the model does not fit the data well. Consider collecting more data, feature engineering, or adjusting the model's complexity.\n")
-      } else {
-        cat("The model error of", nn$result.matrix["error", ], "is within the acceptable range, suggesting the model has learned the patterns from the data effectively.\n")
-      }
-      
-      # Comment on the number of steps
-      cat("The model took", nn$result.matrix["steps", ], "steps to converge, which indicates ", ifelse(nn$result.matrix["steps", ] < 3000, "an efficient training process.", "that the maximum set steps were reached without sufficient convergence."), "\n")
-      
-      # Comment on the weights
-      cat("The model's weights have been optimized through training. Each weight reflects the importance of the corresponding input feature for predicting the output. For instance, the weight for 'Price' to the first hidden neuron is", nn$result.matrix["Price.to.1layhid1", ], ".\n")
-      
-      # Mention the threshold
-      cat("The threshold for stopping the training was set to", nn$result.matrix["reached.threshold", ], ", and the model reached an error close to this threshold, which is a good sign of model convergence.\n")
-      
-      # Add a note on the usage of the model
-      cat("This trained model can now be used to make predictions on new data. It's important to validate the model's performance on a separate test set to ensure its predictive accuracy.\n")
-    })
+    cat("The model's weights have been optimized through training. Each weight reflects the importance of the corresponding input feature for predicting the output. For instance, the weight for 'Price' to the first hidden neuron is", nn$result.matrix["Price.to.1layhid1", ], ".\n")
     
-    output$mlp_gwplot <- renderPlot({
-      req(input$mlp_covariate) # Make sure input$mlp_variables is available
-      selected_var <- input$mlp_covariate # This should be a vector of selected variable names
-      if (length(selected_var) == 1) { # gwplot may only accept a single variable
-        gwplot(nn, selected.covariate = selected_var, min = -2.5, max = 5)
-      } else {
-        cat("Please select a single predictor variable to view its weight distribution.")
-      }
-    })
+    cat("The threshold for stopping the training was set to", nn$result.matrix["reached.threshold", ], ", and the model reached an error close to this threshold, which is a good sign of model convergence.\n")
     
+    cat("This trained model can now be used to make predictions on new data. It's important to validate the model's performance on a separate test set to ensure its predictive accuracy.\n")
+  })
+  
+  output$mlp_gwplot <- renderPlot({
+    req(input$mlp_covariate)
+    selected_var <- input$mlp_covariate
+    if (selected_var %in% colnames(nn$covariate)) {
+      gwplot(nn, selected.covariate = selected_var, min = -2.5, max = 5)
+    } else {
+      cat("Please select a valid predictor variable to view its weight distribution.")
+    }
   })
+})
+
   
 }