R语言：如何用向量/范围定义neuralnet模型自变量（无需逐个列名）

针对你需要适配不同数据集、轻量化代码的需求，以下两种方法可以直接通过列范围或向量定义自变量，无需修改原数据集或逐个罗列变量：

方法1：使用reformulate函数（推荐，代码更简洁） #

reformulate是R中专门用于构造公式的函数，可以直接传入自变量列名向量和因变量名称生成公式：

# 1. 指定自变量范围（比如第4到78列）或自定义列名向量
predictor_cols <- colnames(train_data)[4:78]
# 或者用自定义向量：predictor_cols <- c("var1", "var3", "var5")

# 2. 构造公式
model_formula <- reformulate(predictor_cols, response = "Class")

# 3. 训练neuralnet模型
model <- neuralnet(
  model_formula,
  data = train_data,
  hidden = c(3,2,1),
  linear.output = FALSE
)

方法2：字符串拼接生成公式（直观易理解） #

通过拼接字符串构造公式文本，再转换为公式对象，同样无需修改原数据集：

# 1. 获取自变量列名
predictor_cols <- colnames(train_data)[4:78]

# 2. 拼接成公式字符串
formula_text <- paste0("Class ~ ", paste(predictor_cols, collapse = " + "))

# 3. 转换为公式对象
model_formula <- as.formula(formula_text)

# 4. 训练模型
model <- neuralnet(
  model_formula,
  data = train_data,
  hidden = c(3,2,1),
  linear.output = FALSE
)

核心优势 #

• 无需创建子数据集或删除原数据中的无关变量，避免数据复制带来的性能开销，保持代码轻量化
• 只需调整predictor_cols的取值（比如列范围、自定义向量），就能快速适配不同数据集，通用性强
• 两种方法都直接基于原数据集操作，不会额外占用内存

内容的提问来源于stack exchange，提问作者Raffaello