neuralnet包MNIST数据集预测异常求助：输出全为1且仅单列

核心问题分析 #

你遇到的问题根源是neuralnet默认适配二分类/回归任务，处理10分类时需要手动调整多分类逻辑，未做标签的one-hot编码和正确的模型公式定义，导致模型误判任务类型，输出不符合预期。

具体解决步骤 #

• 步骤1：将标签转换为One-Hot编码
  MNIST原始标签是0-9的数值列，必须转换成10列二进制编码（每列对应一个数字类别），示例代码：

  # 假设原始数据框为mnist_data，标签列名为label
  mnist_onehot <- model.matrix(~ factor(label) - 1, data = mnist_data)
  # 合并one-hot编码到原数据，移除原始label列
  mnist_processed <- cbind(mnist_data[, -1], mnist_onehot)
  # 重命名one-hot列便于识别
  colnames(mnist_processed)[(ncol(mnist_data)):(ncol(mnist_processed))] <- paste0("class_", 0:9)
  

• 步骤2：构建正确的多分类模型公式
  必须把所有10个one-hot输出列放在公式左侧，示例如下：

  # 拼接输出列字符串
  output_cols <- paste0("class_", 0:9, collapse = " + ")
  # 生成完整公式
  model_formula <- as.formula(paste(output_cols, "~ ."))
  

• 步骤3：正确训练神经网络
  确保设置linear.output = FALSE（logistic激活函数输出概率），并指定隐藏层节点数：

  library(neuralnet)
  # 假设训练集为train_data，验证集为val_data
  nn_model <- neuralnet(
    formula = model_formula,
    data = train_data,
    hidden = c(128), # 可按需调整隐藏层节点数
    act.fct = "logistic",
    linear.output = FALSE,
    rep = 1 # 训练次数，可根据需求增加
  )
  

• 步骤4：正确执行预测并解析结果
  使用compute函数预测后，net.result会返回10列概率矩阵，对应0-9每个类别的概率：

  # 提取验证集中的特征列（排除one-hot标签列）
  val_features <- val_data[, !colnames(val_data) %in% paste0("class_", 0:9)]
  nn_pred <- compute(nn_model, val_features)
  # 获取10列概率矩阵
  prob_matrix <- nn_pred$net.result
  # 可选：将概率转换为预测类别（取概率最大值对应的数字）
  pred_labels <- apply(prob_matrix, 1, function(x) which.max(x) - 1)
  

额外注意事项 #

• 过滤方差为0的特征后，需确认剩余特征均为数值型，无非数值干扰项。
• 标准化仅针对像素特征列，one-hot编码的标签列无需标准化。
• 隐藏层节点数可根据效果调整，MNIST任务通常用128或256节点的隐藏层表现较好。

内容的提问来源于stack exchange，提问作者Lous