神经元[[i]] %*% 权重[[i]] 中的错误：R 中的不合格参数神经网络包答案

【问题标题】：Error in neurons[[i]] %*% weights[[i]] : non-conformable arguments neuralnet package in R神经元[[i]] %*% 权重[[i]] 中的错误：R 中的不合格参数神经网络包
【发布时间】：2018-08-28 08:34:48
【问题描述】：

我有一个涉及贷款违约信息的数据集，并且正在尝试构建一个神经网络来预测违约。构建神经网络如下所示：

form <- as.formula(paste("loan_status_fixed ~", paste(n[!n %in% "use"], collapse = " + ")))

表单输出为：

loan_status_fixed ~ addr_stateAK + addr_stateAL + addr_stateAR + 
addr_stateAZ + addr_stateCA + addr_stateCO + addr_stateCT + 
addr_stateDC + addr_stateDE + addr_stateFL + addr_stateGA + 
addr_stateHI + addr_stateIA + addr_stateID + addr_stateIL + 
addr_stateIN + addr_stateKS + addr_stateKY + addr_stateLA + 
addr_stateMA + addr_stateMD + addr_stateME + addr_stateMI + 
addr_stateMN + addr_stateMO + addr_stateNH + addr_stateNJ + 
addr_stateNM + addr_stateNV + addr_stateNY + addr_stateOH + 
addr_stateOK + addr_stateOR + addr_statePA + addr_stateRI + 
addr_stateSC + addr_stateSD + addr_stateTN + addr_stateTX + 
addr_stateUT + addr_stateVA + addr_stateVT + addr_stateWA + 
addr_stateWI + addr_stateWV + annual_inc + collections_12_mths_ex_med + 
delinq_2yrs + dti + `emp_length1 year` + `emp_length2 years` + 
`emp_length3 years` + `emp_length4 years` + `emp_length5 years` + 
`emp_length6 years` + `emp_length7 years` + `emp_length8 years` + 
`emp_length9 years` + `emp_length10+ years` + `emp_lengthn/a` + 
fico_averaged + funded_amnt + sub_gradeA1 + sub_gradeA2 + 
sub_gradeA3 + sub_gradeA4 + sub_gradeA5 + sub_gradeB1 + sub_gradeB2 + 
sub_gradeB3 + sub_gradeB4 + sub_gradeB5 + sub_gradeC1 + sub_gradeC2 + 
sub_gradeC3 + sub_gradeC4 + sub_gradeC5 + sub_gradeD1 + sub_gradeD2 + 
sub_gradeD3 + sub_gradeD4 + sub_gradeD5 + sub_gradeE1 + sub_gradeE2 + 
sub_gradeE3 + sub_gradeE4 + home_ownershipMORTGAGE + home_ownershipOWN + 
open_acc + pub_rec + purposecar + purposecredit_card + purposedebt_consolidation + 
purposeeducational + purposehome_improvement + purposehouse + 
purposemajor_purchase + purposemedical + purposemoving + 
purposeother + purposesmall_business + purposevacation + 
revol_util

    fit <- neuralnet(form, data = train,linear.output=FALSE)

该功能有效，但是当我尝试根据它运行预测时：

    results <- neuralnet::compute(fit, test)
    Error in neurons[[i]] %*% weights[[i]] : non-conformable arguments

先前关于此状态的问题是由于字符或因子变量而发生此结果，但是我的数据仅包含数字、整数和双精度数据类型。之前的其他建议是数据集只能包含计算中不包含的列，但是我已经对此进行了更正，并且训练和测试数据集中的所有列都包含在计算中。

下面是训练数据集的str。

    Classes ‘tbl_df’, ‘tbl’ and 'data.frame':   654046 obs. of  104 variables:
 $ loan_status_fixed         : int  0 0 0 0 1 1 0 1 0 0 ...
 $ addr_stateAK              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateAL              : int  1 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateAR              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateAZ              : int  0 0 0 0 0 0 0 0 1 0 ...
 $ addr_stateCA              : int  0 0 0 0 0 0 1 0 0 0 ...
 $ addr_stateCO              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateCT              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateDC              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateDE              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateFL              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateGA              : int  0 0 0 0 1 0 0 0 0 0 ...
 $ addr_stateHI              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateIA              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateID              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateIL              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateIN              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateKS              : int  0 0 0 0 0 0 0 0 0 1 ...
 $ addr_stateKY              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateLA              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateMA              : int  0 0 1 0 0 0 0 0 0 0 ...
 $ addr_stateMD              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateME              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateMI              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateMN              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateMO              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateNH              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateNJ              : int  0 0 0 1 0 0 0 0 0 0 ...
 $ addr_stateNM              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateNV              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateNY              : int  0 1 0 0 0 0 0 1 0 0 ...
 $ addr_stateOH              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateOK              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateOR              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_statePA              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateRI              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateSC              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateSD              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateTN              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateTX              : int  0 0 0 0 0 1 0 0 0 0 ...
 $ addr_stateUT              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateVA              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateVT              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateWA              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateWI              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ addr_stateWV              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ annual_inc                : num  58000 175000 66500 94800 64000 70000 95000 57000 67500 40000 ...
 $ collections_12_mths_ex_med: int  0 0 0 0 0 0 0 0 0 0 ...
 $ delinq_2yrs               : int  0 0 0 1 0 0 0 0 0 2 ...
 $ dti                       : num  28.7 14.1 13.7 14.5 26.1 ...
 $ emp_length1 year          : int  0 0 1 0 0 0 0 0 0 1 ...
 $ emp_length2 years         : int  0 0 0 0 0 0 0 0 1 0 ...
 $ emp_length3 years         : int  0 0 0 0 0 0 0 0 0 0 ...
 $ emp_length4 years         : int  0 0 0 0 1 0 0 0 0 0 ...
 $ emp_length5 years         : int  0 0 0 1 0 0 0 0 0 0 ...
 $ emp_length6 years         : int  0 0 0 0 0 0 0 0 0 0 ...
 $ emp_length7 years         : int  0 0 0 0 0 0 0 0 0 0 ...
 $ emp_length8 years         : int  0 0 0 0 0 0 0 0 0 0 ...
 $ emp_length9 years         : int  0 0 0 0 0 0 0 0 0 0 ...
 $ emp_length10+ years       : int  1 0 0 0 0 1 1 1 0 0 ...
 $ emp_lengthn/a             : int  0 0 0 0 0 0 0 0 0 0 ...
 $ fico_averaged             : int  712 722 777 677 727 757 687 687 677 687 ...
 $ funded_amnt               : int  17000 25000 8000 20000 29425 22000 11600 16000 26575 18000 ...
 $ sub_gradeA1               : int  0 0 1 0 0 0 0 0 0 0 ...
 $ sub_gradeA2               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeA3               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeA4               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeA5               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeB1               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeB2               : int  0 1 0 0 0 0 0 0 0 0 ...
 $ sub_gradeB3               : int  0 0 0 0 0 1 0 0 0 0 ...
 $ sub_gradeB4               : int  1 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeB5               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeC1               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeC2               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeC3               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeC4               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeC5               : int  0 0 0 1 0 0 0 0 0 0 ...
 $ sub_gradeD1               : int  0 0 0 0 0 0 1 0 0 1 ...
 $ sub_gradeD2               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeD3               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeD4               : int  0 0 0 0 0 0 0 0 1 0 ...
 $ sub_gradeD5               : int  0 0 0 0 0 0 0 1 0 0 ...
 $ sub_gradeE1               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeE2               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ sub_gradeE3               : int  0 0 0 0 1 0 0 0 0 0 ...
 $ sub_gradeE4               : int  0 0 0 0 0 0 0 0 0 0 ...
 $ home_ownershipMORTGAGE    : int  1 0 1 1 0 1 0 0 1 1 ...
 $ home_ownershipOWN         : int  0 0 0 0 0 0 0 0 0 0 ...
 $ open_acc                  : int  14 11 16 5 14 6 5 10 9 16 ...
 $ pub_rec                   : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposecar                : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposecredit_card        : int  0 0 1 0 0 0 0 0 1 0 ...
 $ purposedebt_consolidation : int  1 1 0 1 1 1 1 1 0 1 ...
 $ purposeeducational        : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposehome_improvement   : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposehouse              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposemajor_purchase     : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposemedical            : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposemoving             : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposeother              : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposesmall_business     : int  0 0 0 0 0 0 0 0 0 0 ...
 $ purposevacation           : int  0 0 0 0 0 0 0 0 0 0 ...
 $ revol_util                : num  45.1 50.1 29.7 93.4 66 0 96.5 68.2 88.4 28.6 ...

【问题讨论】：

使用 dput(head(train)) 代替 str() 来获取某人可以用来帮助您的对象。列的子集是否会发生此错误？
test 数据必须只包含自变量。乍一看，你至少需要删除依赖变量loan_status_fixed。

标签： r neural-network

【解决方案1】：

此错误的原因是您将 tibble 传递给了 compute() 函数，但它需要数据帧或矩阵，从参数定义中可以看出：

计算（x，协变量，rep = 1）

参数

covariate ：一个数据框或矩阵，其中包含具有用于训练神经网络。

tibble 的类总是看起来像 test 数据的类：

Classes ‘tbl_df’, ‘tbl’ and 'data.frame'.

相比之下，数据框的类总是返回： data.frame

所以解决方案很简单：在传递之前将 tibble 转换为数据框：

results <- neuralnet::compute(fit, as.data.frame(test)

【讨论】：