在Keras序列模型中使用Lime工具时出现“invalid 'dimnames' given for data frame”错误

解决LIME与Keras回归模型结合时的维度名错误 #

我之前在R里用LIME解释Keras回归模型的时候也碰到过一模一样的invalid 'dimnames' given for data frame错误，核心问题是LIME默认的预测逻辑更适配分类模型，而咱们的回归模型返回的预测格式和LIME的预期不匹配，加上PCA数据可能存在列名不明确的情况，导致维度名出问题。咱们一步步来修复：

1. 给PCA特征数据补全明确列名 #

PCA生成的特征矩阵默认列名可能是V1、V2这类模糊命名，作为data.frame传入LIME时，明确的列名能避免很多隐性问题：

# 给PCA特征设置清晰的列名
colnames(X_pca_scores_scaled) <- paste0("PC", 1:ncol(X_pca_scores_scaled))

2. 自定义适配回归模型的预测函数 #

Keras的predict()返回的是矩阵格式，而LIME需要带有明确列名的data.frame格式预测结果。咱们写一个专门适配的预测函数：

predict_keras_regression <- function(model, newdata) {
  # 确保输入为Keras要求的矩阵格式，生成预测值
  predictions <- predict(model, as.matrix(newdata))
  # 转换为LIME可识别的data.frame并指定列名
  as.data.frame(predictions, col.names = "prediction")
}

3. 使用自定义预测函数创建LIME解释器 #

初始化解释器时，指定咱们刚才写的预测函数，覆盖LIME的默认逻辑：

explainer <- lime(X_pca_scores_scaled, model, 
                  bin_continuous = TRUE, 
                  n_bins = 4,
                  predict_function = predict_keras_regression)

4. 调用explain时明确回归标签 #

因为回归模型只有一个输出，咱们直接指定要解释的标签为prediction：

explanation <- lime::explain(X_pca_scores_scaled, explainer, 
                             n_features = 10,
                             labels = "prediction")

# 再次尝试绘制特征重要性图
plot_features(explanation)

额外验证步骤 #

在运行完整流程前，可以先测试自定义预测函数是否正常工作：

# 取前5条数据测试预测函数
test_preds <- predict_keras_regression(model, X_pca_scores_scaled[1:5,])
print(test_preds)

如果输出是带有prediction列名的data.frame，说明函数没问题，再跑LIME流程就不会出现维度名错误了。

内容的提问来源于stack exchange，提问作者pdhami