使用R语言Neuralnet库生成混淆矩阵时遇长度匹配错误求助

问题根源 #

你的代码触发错误的核心原因有两个：

1. 变量名拼写错误：生成预测标签的变量是pred_label，但调用table()时误写为prediction_label，R无法找到该变量，实际传入的是长度为0的对象，与test$y长度不匹配。
2. 列名引用语法错误：data.frame(max.col(pred))生成的列名是max.col.pred.，包含特殊字符，直接在mutate中引用会导致语法错误，进而生成异常的pred_label。

修正后的完整代码 #

library(neuralnet)
library(tidyverse)
library(caret) # 补充加载createDataPartition所属的caret包

# 构造模拟数据
x1 = rep(1:3, times = 40)
x2 = rep(1:3, times = 40)
x3 = rep(1:3, times = 40)
x4 = rep(1:3, times = 40)
x5 = rep(1:3, times = 40)

y = rep(0:1, times = 60)
y <- as.factor(y)

dat <- data.frame(y, x1, x2, x3, x4, x5)

# 划分训练集和测试集
set.seed(123)
indexes = createDataPartition(dat$y, p = .85, list = F)
train = dat[indexes, ]
test = dat[-indexes, ] 

# 训练神经网络模型
NN1 <- neuralnet(y ~ ., train,
                 linear.output = FALSE,
                 stepmax = 1e7)

# 生成预测标签并构建混淆矩阵
pred <- predict(NN1, test)
labels <- c("0", "1")
# 简化预测标签生成逻辑，直接通过max.col匹配标签
pred_label <- labels[max.col(pred)]
# 统一数据类型为因子，与test$y保持一致
pred_label <- as.factor(pred_label)

# 生成混淆矩阵
table(test$y, pred_label)

关键修正说明 #

• 补充加载caret包：原代码使用createDataPartition()但未加载对应包，会导致前置报错，需补上。
• 简化预测标签生成：直接用labels[max.col(pred)]获取标签，避免冗余的数据框操作，降低出错风险。
• 统一变量类型：将pred_label转为因子，与test$y类型匹配，确保table()能正确生成混淆矩阵。
• 修正变量名：调用table()时使用正确的pred_label变量，解决因变量不存在导致的长度不匹配问题。

内容的提问来源于stack exchange，提问作者EB3112