Keras神经网络模型predict()函数调用失败求助——红酒质量预测场景

看起来你在把训练好的Keras模型应用到测试集时遇到了连续的报错，我来帮你一步步排查解决：

第一个错误：argument "x" is missing, with no default #

这个问题很容易修正——在R的Keras包中，predict()函数的输入参数不是newdata（这是caret等工具包的参数命名），正确的参数名是x。不过你已经调整为predict(modnn, dataset_test)，这个问题已经解决，接下来重点处理第二个核心错误。

第二个错误：ValueError: Missing data for input "dense_25_input" #

这个报错背后有两个关键原因，我们逐个处理：

1. 测试集包含多余的特征列 #

你的模型输入层定义为input_shape=c(11)，意味着只接受11个特征变量，但你的测试集里多了一列id_number，这直接导致输入维度不匹配。首先需要清理测试集，移除非特征列：

# 移除id_number列，保留模型需要的11个特征
dataset_test_clean <- dataset_test %>% select(-id_number)

2. Keras模型期望的输入格式是矩阵/数组，而非带列名的数据框 #

R中的数据框会保留列名信息，但Keras底层的TensorFlow引擎只接受纯数值的矩阵或数组输入，无法识别数据框的列名。所以需要把清洗后的测试集转换成矩阵格式：

# 将数据框转换为矩阵
dataset_test_matrix <- as.matrix(dataset_test_clean)

最后，重新执行预测 #

现在用处理好的矩阵调用predict函数即可：

predictions <- predict(modnn, x = dataset_test_matrix)

另外提个小细节：你的模型最后一层是layer_dense(units=1)，但编译时用了loss="binary_crossentropy"——如果红酒质量是多分类任务（比如评分是3-9的整数），这个损失函数并不合适；如果是回归任务（预测连续的质量值），应该改用loss="mse"（均方误差）。不过你提到训练准确率达到99%，可能已经把任务转换成了二分类，这点可以根据你的实际需求再确认下。

内容的提问来源于stack exchange，提问作者Turex