Predict method of caret package gives error :Error in models[[1]]$trainingData$.outcome
Predict method of caret package gives error :Error in models[[1]]$trainingData$.outcome
我是神经网络和插入符包的新手，正在为一个问题而苦苦挣扎。我正在使用 method='nnet' 的 caret 包的 train() 方法训练模型，并且得到模型拟合而没有任何错误。但是当我使用 predict() 方法查看训练数据的预测值时，模型会抛出错误。
我的训练数据在数据框 nnTrainingDataScaled 中，看起来像：
PAYMENT_DELAY AMT_TO_PAY NUMBER_OF_CREDIT_DAYS AVG_BASE_PRICE DELIVERY_DURATION
155 0.2258064516 0.2287152972 0.2333333333 0.7468513854 0.05882352941
158 0.2258064516 0.1564039392 0.2333333333 0.7732997481 0.05882352941
162 0.2258064516 0.4230656560 0.2333333333 0.8060453401 0.05882352941
164 -0.2258064516 0.3951407685 0.2333333333 0.7204030227 0.05882352941
166 -0.2258064516 1.0000000000 0.2333333333 0.6700251889 0.05882352941
168 -0.2258064516 0.2438498559 0.2333333333 0.7657430730 0.05882352941
我将模型训练为：
myGrid <- expand.grid(.decay = c(0.5, 0.1), .size = c(5, 6, 7))
neuralNetFit <- train(PAYMENT_DELAY ~ AMT_TO_PAY + NUMBER_OF_CREDIT_DAYS + AVG_BASE_PRICE + DELIVERY_DURATION, data = nnTrainingDataScaled, method = 'nnet', tuneGrid = myGrid, maxit = 1000, trace = F, linout = TRUE)
结果是：
Resampling results across tuning parameters:
decay size RMSE Rsquared RMSE SD Rsquared SD
0.1 5 0.2810123029 0.08531037005 0.02361680282 0.04357379768
0.1 6 0.2809714015 0.08556298113 0.02361410081 0.04368294247
0.1 7 0.2809433123 0.08574371206 0.02359794076 0.04369737967
0.5 5 0.2907021463 0.02093119653 0.02565310137 0.02134393442
0.5 6 0.2907006528 0.02095733170 0.02565351995 0.02136547343
0.5 7 0.2906981746 0.02097019598 0.02565722475 0.02137058017
RMSE was used to select the optimal model using the smallest value.
The final values used for the model were size = 7 and decay = 0.1.
但是当我用这个模型对训练数据进行预测时，我得到了以下错误。
fitValueOnTrainingData <- predict(neuralNetFit, nnTrainingDataScaled)
Error in models[[1]]$trainingData$.outcome :
$ operator is invalid for atomic vectors
我在堆栈交换中发现了以下代码片段，并且 predict() 方法适用于此代码。我在想我的代码哪里出错了。任何帮助表示赞赏。提前致谢！
library(caret)
y <- sin(seq(0, 20, 0.1))
te <- data.frame(y, x1=Lag(y), x2=Lag(y,2))
names(te) <- c("y", "x1", "x2")
model <- train(y ~ x1 + x2, te, method='nnet', linout=TRUE, trace = FALSE, tuneGrid=expand.grid(.size=c(1,5,10),.decay=c(0,0.001,0.1)))
ps <- predict(model, te)
这是训练数据的输入：
structure(c(0, -0.291666666666667, -0.291666666666667, -0.291666666666667,
-0.291666666666667, -0.291666666666667, -0.291666666666667, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -0.166666666666667,
-0.166666666666667, -0.166666666666667, -0.166666666666667, -0.166666666666667,
-0.166666666666667, -0.166666666666667, -0.166666666666667, 0,
-0.333333333333333, -0.0416666666666667, 0, 0, -0.166666666666667,
-0.0416666666666667, -0.166666666666667, 0, 0, 0, 0, 0, -0.125,
-0.125, -0.125, 0, 0, -0.166666666666667, -0.166666666666667,
0, 0, -0.166666666666667, -0.458333333333333, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -0.291666666666667, 0, 0, 0, 0,
0, 0, 0, 0, 0, -0.166666666666667, 0, 0, 0, 0, 0, 0, 0, -0.166666666666667,
-0.166666666666667, -0.166666666666667, -0.166666666666667, -0.166666666666667,
-0.166666666666667, -0.166666666666667, -0.166666666666667, -0.166666666666667,
0, -0.166666666666667, 0, 0.291666666666667, 0.291666666666667,
0.291666666666667, 0.291666666666667, 0.291666666666667, 0.125,
0.0416666666666667, 0.0416666666666667, 0.0416666666666667, 0.0416666666666667,
0.291666666666667, 0.291666666666667, 0.291666666666667, 0.125,
0.125, 0.125, 0.125, 0.125, 0.125, 0.125, 0.125, 0.125, 0.125,
0.0833333333333333, 0.0833333333333333, 0.291666666666667, 0.166666666666667,
0.125, 0.125, 0.125, 0.125, 0.125, 0.291666666666667, 0.0416666666666667,
0.291666666666667, 0.291666666666667, 0.291666666666667, 0.291666666666667,
0.291666666666667, 0.291666666666667, 0.708333333333333, 0.708333333333333,
0.416666666666667, 0.416666666666667, 0.416666666666667, 0.708333333333333,
0.416666666666667, 0.416666666666667, 0.416666666666667, 0.416666666666667,
0.416666666666667, 0.416666666666667, 0.416666666666667, 0.416666666666667,
0.708333333333333, 0.416666666666667, 1, 1, 1, 1, 1, 1, 0.708333333333333,
1, 1, 0.416666666666667, 0.333333333333333, 0.875, 0.583333333333333,
0.333333333333333, 0.583333333333333, 0.165416923477883, 0.453265327838473,
0.1114256530887, 0.329838130541146, 0.165433887154539, 0.166473811938624,
0.701185863808407, 1, 0.15895941723088, 0.510158415037425, 0.716269656660325,
0.307855775849173, 0.363710480416463, 0.858129173771277, 0.149367743209003,
0.319004509767736, 0.0928689329795978, 0.155315825105522, 0.0994436428107681,
0.369230357990123, 0.527611982113088, 0.694437918855024, 0.412800276353714,
0.0279489424175707, 0.350071170334333, 0.372184607982284, 0.00974537521339534,
0.050521427436845, 0.0541824972896671, 0.0158672062829346, 0.00439102199983242,
0.022531360954654, 0.0204299212525568, 0.111857969818021, 0.0905012149590841,
0.146286522667327, 0.0458759502871745, 0.0944080010980125, 0.17924437615565,
0.0153207702742924, 0.0570287966121996, 0.00761052220879407,
0.0452817075534112, 0.0835887737472196, 0.123467807311139, 0.0933248960460754,
0.322160781727344, 0.082304160778643, 0.0411019604355655, 0.0159499684629829,
0.0178221415048221, 0.017853498604095, 0.0342671408956718, 0.0325959617196644,
0.191417613334067, 0.183628201444174, 0.0347205337081106, 0.115618765527547,
0.333991147016989, 0.0484893845937945, 0.0572004895819893, 0.0473744083917766,
0.0347693685348472, 0.0340018906788709, 0.0526706738640634, 0.167987177516651,
0.036454427082664, 0.0256927734223395, 0.0086936272607312, 0.0312100807419604,
0.0319667635309739, 0.0333978809797603, 0.0407981564081831, 0.0169898932470688,
0.0437431534858042, 0.0428451067246585, 0.00719259890209028,
0.0376804382591567, 0.0604744791765729, 0.0179722443406861, 0.00571984333787583,
0.0130512359580596, 0.0580250270776263, 0.0112366366066889, 0.0530037787874878,
0.00749383267543397, 0.0537116267497647, 0.00373971962640843,
0.0557256778145438, 0.0832474440108711, 0.0129566506094329, 0.0297249879583598,
0.00721418903601594, 0.0283915401630466, 0.0226434240307444,
0.00776370934950469, 0.0153665207961825, 0.0156672405187184,
0.00956699958310479, 0.0067679929348857, 0.0761520007114463,
0.0229348908387407, 0.14191503459819, 0.160810514189601, 0.198521795497223,
0.157238375126521, 0.103231169162298, 0.339058145829017, 0.0133951359484469,
0.0101910572637178, 0.00372069974652155, 0.20366024737153, 0.00231220053327631,
0.0720149198106442, 0.312968011132284, 0.160259965774497, 0.0231852335821168,
0.496270818415151, 0.028445001447053, 0.0354823570052017, 0.0614773923025004,
0.0979518673666668, 0.0185628887187952, 0.00765678678149191,
0.179498317254681, 0.176430976084814, 0.0769683133941593, 0.0248502441484311,
0.0488415093971058, 0.0052001379712368, 0.0490795149210958, 0.0436537086452551,
0.279442645552201, 0.137631963267985, 0.00221967138788064, 0.0479696792271555,
0.00367803352947799, 0.319617258330579, 0.31295978631936, 0.141324904270888,
0.328198308464412, 0.169229638318992, 0.16465767043483, 0.0247664538667673,
0.007875772425595, 0.0492100838262652, 0.0617616623991882, 0.0840735236589314,
0.0137441764469117, 0.0275356455681367, 0.0651328075964372, 0.45743325178774,
0.052408507952109, 0.0266401690610297, 0.0352762226312924, 0.0395037764742592,
0.0613617308707558, 0.00741980935911744, 0.0742895946349545,
0.0298180311545633, 0.0253072353165242, 0.0106161772817302, 0.0219751579806645,
0.0286305737886521, 0.0187006543352732, 0.00480637505249744,
0.0234263234109533, 0.0233014090646691, 0.0451686163757053, 0.25109325755539,
0.050316835215359, 0.0432640581329777, 0.173760996189341, 0.318880623523068,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0, 0.233333333333333, 0, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0, 0.233333333333333,
1, 1, 1, 1, 1, 1, 1, 1, 0.233333333333333, 1, 1, 1, 0.233333333333333,
1, 0.233333333333333, 1, 1, 1, 1, 1, 0.233333333333333, 1, 1,
1, 1, 1, 1, 1, 0.233333333333333, 0.233333333333333, 1, 1, 0.233333333333333,
1, 1, 1, 1, 1, 1, 0.233333333333333, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 0.233333333333333, 1, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
1, 0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 1, 0.233333333333333,
1, 1, 1, 1, 1, 1, 0.233333333333333, 0.233333333333333, 1, 1,
1, 1, 1, 1, 0.233333333333333, 0.233333333333333, 1, 0.233333333333333,
1, 0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 1, 1, 1, 1, 1, 1, 1, 1,
0.233333333333333, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 0.233333333333333, 1, 1, 0, 0.233333333333333, 0.801007556675063,
0.763224181360202, 0.765743073047859, 0.821158690176322, 0.82367758186398,
0.829974811083123, 0.690680100755667, 0.702770780856423, 0.763224181360202,
0.71536523929471, 0.714760705289673, 0.801007556675063, 0.780856423173804,
0.73551637279597, 0.780856423173804, 0.779596977329975, 0.869017632241814,
0.698992443324937, 0.717884130982368, 0.861460957178841, 0.841309823677582,
0.826196473551637, 0.705289672544081, 0.818639798488665, 0.750629722921914,
0.881612090680101, 0.748110831234257, 0.748110831234257, 0.797229219143577,
0.86272040302267, 0.712846347607053, 0.712846347607053, 0.748110831234257,
0.86272040302267, 0.879093198992443, 0.931989924433249, 0.86272040302267,
0.86272040302267, 0.934508816120907, 0.842569269521411, 0.817380352644836,
0.842569269521411, 0.797229219143577, 0.931989924433249, 0.931989924433249,
0.797229219143577, 0.792191435768262, 0.931989924433249, 0.931989924433249,
0.931989924433249, 0.98992443324937, 0.98992443324937, 0.98992443324937,
0.98992443324937, 0.881612090680101, 0.919395465994962, 0.98992443324937,
0.98992443324937, 0.906801007556675, 0.98992443324937, 0.98992443324937,
0.889168765743073, 0.98992443324937, 0.973551637279597, 0.98992443324937,
0.738035264483627, 0.98992443324937, 0.973551637279597, 0.98992443324937,
0.889168765743073, 1, 0.973551637279597, 0.973551637279597, 0.973551637279597,
1, 0.973551637279597, 1, 0.937027707808564, 0.973551637279597,
1, 0.826196473551637, 0.826196473551637, 0.826196473551637, 0.843828715365239,
1, 0.843828715365239, 0.806045340050378, 0.826196473551637, 0.843828715365239,
0.826196473551637, 0.806045340050378, 0.806045340050378, 0.806045340050378,
0.843828715365239, 0.826196473551637, 0.843828715365239, 0.843828715365239,
0.937027707808564, 0.937027707808564, 1, 0.649874055415617, 0.843828715365239,
0.748110831234257, 0.782115869017632, 0.773299748110831, 0.795969773299748,
0.773299748110831, 0.843828715365239, 0.842569269521411, 0.773299748110831,
0.773299748110831, 0.773299748110831, 0.773299748110831, 0.793450881612091,
0.761964735516373, 0.685138539042821, 0.797229219143577, 0.836272040302267,
0.797229219143577, 0.804785894206549, 0.86272040302267, 0.86272040302267,
0.797229219143577, 0.842569269521411, 0.881612090680101, 0.851385390428212,
0.86272040302267, 0.804785894206549, 0.931989924433249, 0.806045340050378,
0.826196473551637, 1, 0.705289672544081, 0.619647355163728, 0.973551637279597,
0.649874055415617, 0.748110831234257, 0.806045340050378, 0.779596977329975,
0.712846347607053, 0.802267002518892, 0.856423173803526, 0.818639798488665,
0.842569269521411, 0.842569269521411, 0.748110831234257, 0.797229219143577,
0.804785894206549, 0.748110831234257, 0.86272040302267, 0.804785894206549,
0.758186397984887, 0.797229219143577, 0.748110831234257, 0.804785894206549,
0.804785894206549, 0.86272040302267, 0.842569269521411, 0.86272040302267,
0.748110831234257, 0.804785894206549, 0.797229219143577, 0.797229219143577,
0.748110831234257, 0.712846347607053, 0.748110831234257, 0.86272040302267,
0.797229219143577, 0.712846347607053, 0.780856423173804, 0.931989924433249,
0.826196473551637, 0.770780856423174, 0.817380352644836, 0.1,
0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
0.9, 0.1, 0.1, 0.1, 0.5, 0.2, 0.4, 0.1, 1, 0.3, 0.5, 0.1, 0.4,
0.1, 0.1, 0.1, 0.5, 0.5, 0.8, 0.1, 0.4, 0.3, 0.1, 0.1, 0.1, 0.1,
0.3, 0.1, 0.1, 0.4, 0.7, 0.1, 0.4, 0.4, 0.1, 0.2, 0.4, 0.3, 0.1,
0.2, 0.2, 0.1, 0.1, 0.1, 0.4, 0.5, 0.1, 0.2, 0.5, 0.1, 0.1, 0.5,
0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.5, 0.3, 0.1, 0.1,
0.1, 0.3, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.3, 0.1, 0.1, 0.1,
0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
0.1, 0.2, 0.1, 0.2, 0.1, 0.1, 0.1, 0.1, 0.1, 0.3, 0.1, 0.1, 0.2,
0.3, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
0.1, 0.2, 0.5, 0.5, 0.1, 0.1, 0.3, 0.1, 0.2, 0.2, 0.4, 0.2, 0.3,
0.1, 0.2, 0.3, 0.1, 0.1, 0.1, 0.5, 0.4, 0.1, 0.2, 0.2, 0.5, 0.1,
0.1, 0.1, 0.1, 0.1), .Dim = c(174L, 5L), .Dimnames = list(c("159",
"165", "167", "170", "171", "172", "173", "183", "184", "185",
"186", "190", "191", "192", "193", "194", "195", "199", "200",
"205", "209", "210", "225", "232", "237", "251", "254", "255",
"256", "257", "258", "259", "260", "262", "265", "269", "270",
"272", "274", "276", "277", "278", "281", "282", "283", "287",
"288", "290", "291", "292", "295", "296", "298", "299", "300",
"301", "302", "303", "305", "308", "309", "310", "311", "312",
"316", "318", "320", "322", "323", "324", "325", "326", "329",
"332", "333", "340", "343", "344", "346", "347", "348", "350",
"351", "355", "358", "359", "361", "362", "364", "365", "366",
"369", "370", "371", "373", "375", "376", "378", "379", "380",
"381", "383", "389", "156", "157", "160", "161", "163", "175",
"178", "179", "180", "182", "189", "198", "204", "221", "222",
"223", "224", "236", "244", "245", "273", "279", "280", "286",
"289", "304", "307", "336", "337", "353", "354", "382", "385",
"386", "391", "394", "395", "396", "397", "400", "174", "176",
"177", "196", "197", "201", "203", "207", "208", "215", "216",
"217", "218", "228", "230", "234", "238", "240", "241", "242",
"243", "246", "248", "250", "252", "253", "268", "285", "356",
"387", "399"), c("PAYMENT_DELAY", "AMT_TO_PAY", "NUMBER_OF_CREDIT_DAYS",
"AVG_BASE_PRICE", "DELIVERY_DURATION")))
好的，这是一个错误，将在下一个版本中修复。
同时，在使用train之前将nnTrainingDataScaled转换为数据框，就可以得到预测结果。
谢谢，
最大
我是神经网络和插入符包的新手，正在为一个问题而苦苦挣扎。我正在使用 method='nnet' 的 caret 包的 train() 方法训练模型，并且得到模型拟合而没有任何错误。但是当我使用 predict() 方法查看训练数据的预测值时，模型会抛出错误。
我的训练数据在数据框 nnTrainingDataScaled 中，看起来像：
PAYMENT_DELAY AMT_TO_PAY NUMBER_OF_CREDIT_DAYS AVG_BASE_PRICE DELIVERY_DURATION
155 0.2258064516 0.2287152972 0.2333333333 0.7468513854 0.05882352941
158 0.2258064516 0.1564039392 0.2333333333 0.7732997481 0.05882352941
162 0.2258064516 0.4230656560 0.2333333333 0.8060453401 0.05882352941
164 -0.2258064516 0.3951407685 0.2333333333 0.7204030227 0.05882352941
166 -0.2258064516 1.0000000000 0.2333333333 0.6700251889 0.05882352941
168 -0.2258064516 0.2438498559 0.2333333333 0.7657430730 0.05882352941
我将模型训练为：
myGrid <- expand.grid(.decay = c(0.5, 0.1), .size = c(5, 6, 7))
neuralNetFit <- train(PAYMENT_DELAY ~ AMT_TO_PAY + NUMBER_OF_CREDIT_DAYS + AVG_BASE_PRICE + DELIVERY_DURATION, data = nnTrainingDataScaled, method = 'nnet', tuneGrid = myGrid, maxit = 1000, trace = F, linout = TRUE)
结果是：
Resampling results across tuning parameters:
decay size RMSE Rsquared RMSE SD Rsquared SD
0.1 5 0.2810123029 0.08531037005 0.02361680282 0.04357379768
0.1 6 0.2809714015 0.08556298113 0.02361410081 0.04368294247
0.1 7 0.2809433123 0.08574371206 0.02359794076 0.04369737967
0.5 5 0.2907021463 0.02093119653 0.02565310137 0.02134393442
0.5 6 0.2907006528 0.02095733170 0.02565351995 0.02136547343
0.5 7 0.2906981746 0.02097019598 0.02565722475 0.02137058017
RMSE was used to select the optimal model using the smallest value.
The final values used for the model were size = 7 and decay = 0.1.
但是当我用这个模型对训练数据进行预测时，我得到了以下错误。
fitValueOnTrainingData <- predict(neuralNetFit, nnTrainingDataScaled)
Error in models[[1]]$trainingData$.outcome :
$ operator is invalid for atomic vectors
我在堆栈交换中发现了以下代码片段，并且 predict() 方法适用于此代码。我在想我的代码哪里出错了。任何帮助表示赞赏。提前致谢！
library(caret)
y <- sin(seq(0, 20, 0.1))
te <- data.frame(y, x1=Lag(y), x2=Lag(y,2))
names(te) <- c("y", "x1", "x2")
model <- train(y ~ x1 + x2, te, method='nnet', linout=TRUE, trace = FALSE, tuneGrid=expand.grid(.size=c(1,5,10),.decay=c(0,0.001,0.1)))
ps <- predict(model, te)
这是训练数据的输入：
structure(c(0, -0.291666666666667, -0.291666666666667, -0.291666666666667,
-0.291666666666667, -0.291666666666667, -0.291666666666667, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -0.166666666666667,
-0.166666666666667, -0.166666666666667, -0.166666666666667, -0.166666666666667,
-0.166666666666667, -0.166666666666667, -0.166666666666667, 0,
-0.333333333333333, -0.0416666666666667, 0, 0, -0.166666666666667,
-0.0416666666666667, -0.166666666666667, 0, 0, 0, 0, 0, -0.125,
-0.125, -0.125, 0, 0, -0.166666666666667, -0.166666666666667,
0, 0, -0.166666666666667, -0.458333333333333, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -0.291666666666667, 0, 0, 0, 0,
0, 0, 0, 0, 0, -0.166666666666667, 0, 0, 0, 0, 0, 0, 0, -0.166666666666667,
-0.166666666666667, -0.166666666666667, -0.166666666666667, -0.166666666666667,
-0.166666666666667, -0.166666666666667, -0.166666666666667, -0.166666666666667,
0, -0.166666666666667, 0, 0.291666666666667, 0.291666666666667,
0.291666666666667, 0.291666666666667, 0.291666666666667, 0.125,
0.0416666666666667, 0.0416666666666667, 0.0416666666666667, 0.0416666666666667,
0.291666666666667, 0.291666666666667, 0.291666666666667, 0.125,
0.125, 0.125, 0.125, 0.125, 0.125, 0.125, 0.125, 0.125, 0.125,
0.0833333333333333, 0.0833333333333333, 0.291666666666667, 0.166666666666667,
0.125, 0.125, 0.125, 0.125, 0.125, 0.291666666666667, 0.0416666666666667,
0.291666666666667, 0.291666666666667, 0.291666666666667, 0.291666666666667,
0.291666666666667, 0.291666666666667, 0.708333333333333, 0.708333333333333,
0.416666666666667, 0.416666666666667, 0.416666666666667, 0.708333333333333,
0.416666666666667, 0.416666666666667, 0.416666666666667, 0.416666666666667,
0.416666666666667, 0.416666666666667, 0.416666666666667, 0.416666666666667,
0.708333333333333, 0.416666666666667, 1, 1, 1, 1, 1, 1, 0.708333333333333,
1, 1, 0.416666666666667, 0.333333333333333, 0.875, 0.583333333333333,
0.333333333333333, 0.583333333333333, 0.165416923477883, 0.453265327838473,
0.1114256530887, 0.329838130541146, 0.165433887154539, 0.166473811938624,
0.701185863808407, 1, 0.15895941723088, 0.510158415037425, 0.716269656660325,
0.307855775849173, 0.363710480416463, 0.858129173771277, 0.149367743209003,
0.319004509767736, 0.0928689329795978, 0.155315825105522, 0.0994436428107681,
0.369230357990123, 0.527611982113088, 0.694437918855024, 0.412800276353714,
0.0279489424175707, 0.350071170334333, 0.372184607982284, 0.00974537521339534,
0.050521427436845, 0.0541824972896671, 0.0158672062829346, 0.00439102199983242,
0.022531360954654, 0.0204299212525568, 0.111857969818021, 0.0905012149590841,
0.146286522667327, 0.0458759502871745, 0.0944080010980125, 0.17924437615565,
0.0153207702742924, 0.0570287966121996, 0.00761052220879407,
0.0452817075534112, 0.0835887737472196, 0.123467807311139, 0.0933248960460754,
0.322160781727344, 0.082304160778643, 0.0411019604355655, 0.0159499684629829,
0.0178221415048221, 0.017853498604095, 0.0342671408956718, 0.0325959617196644,
0.191417613334067, 0.183628201444174, 0.0347205337081106, 0.115618765527547,
0.333991147016989, 0.0484893845937945, 0.0572004895819893, 0.0473744083917766,
0.0347693685348472, 0.0340018906788709, 0.0526706738640634, 0.167987177516651,
0.036454427082664, 0.0256927734223395, 0.0086936272607312, 0.0312100807419604,
0.0319667635309739, 0.0333978809797603, 0.0407981564081831, 0.0169898932470688,
0.0437431534858042, 0.0428451067246585, 0.00719259890209028,
0.0376804382591567, 0.0604744791765729, 0.0179722443406861, 0.00571984333787583,
0.0130512359580596, 0.0580250270776263, 0.0112366366066889, 0.0530037787874878,
0.00749383267543397, 0.0537116267497647, 0.00373971962640843,
0.0557256778145438, 0.0832474440108711, 0.0129566506094329, 0.0297249879583598,
0.00721418903601594, 0.0283915401630466, 0.0226434240307444,
0.00776370934950469, 0.0153665207961825, 0.0156672405187184,
0.00956699958310479, 0.0067679929348857, 0.0761520007114463,
0.0229348908387407, 0.14191503459819, 0.160810514189601, 0.198521795497223,
0.157238375126521, 0.103231169162298, 0.339058145829017, 0.0133951359484469,
0.0101910572637178, 0.00372069974652155, 0.20366024737153, 0.00231220053327631,
0.0720149198106442, 0.312968011132284, 0.160259965774497, 0.0231852335821168,
0.496270818415151, 0.028445001447053, 0.0354823570052017, 0.0614773923025004,
0.0979518673666668, 0.0185628887187952, 0.00765678678149191,
0.179498317254681, 0.176430976084814, 0.0769683133941593, 0.0248502441484311,
0.0488415093971058, 0.0052001379712368, 0.0490795149210958, 0.0436537086452551,
0.279442645552201, 0.137631963267985, 0.00221967138788064, 0.0479696792271555,
0.00367803352947799, 0.319617258330579, 0.31295978631936, 0.141324904270888,
0.328198308464412, 0.169229638318992, 0.16465767043483, 0.0247664538667673,
0.007875772425595, 0.0492100838262652, 0.0617616623991882, 0.0840735236589314,
0.0137441764469117, 0.0275356455681367, 0.0651328075964372, 0.45743325178774,
0.052408507952109, 0.0266401690610297, 0.0352762226312924, 0.0395037764742592,
0.0613617308707558, 0.00741980935911744, 0.0742895946349545,
0.0298180311545633, 0.0253072353165242, 0.0106161772817302, 0.0219751579806645,
0.0286305737886521, 0.0187006543352732, 0.00480637505249744,
0.0234263234109533, 0.0233014090646691, 0.0451686163757053, 0.25109325755539,
0.050316835215359, 0.0432640581329777, 0.173760996189341, 0.318880623523068,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0, 0.233333333333333, 0, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0, 0.233333333333333,
1, 1, 1, 1, 1, 1, 1, 1, 0.233333333333333, 1, 1, 1, 0.233333333333333,
1, 0.233333333333333, 1, 1, 1, 1, 1, 0.233333333333333, 1, 1,
1, 1, 1, 1, 1, 0.233333333333333, 0.233333333333333, 1, 1, 0.233333333333333,
1, 1, 1, 1, 1, 1, 0.233333333333333, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 0.233333333333333, 1, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
1, 0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 0.233333333333333, 1, 0.233333333333333,
1, 1, 1, 1, 1, 1, 0.233333333333333, 0.233333333333333, 1, 1,
1, 1, 1, 1, 0.233333333333333, 0.233333333333333, 1, 0.233333333333333,
1, 0.233333333333333, 0.233333333333333, 0.233333333333333, 0.233333333333333,
0.233333333333333, 0.233333333333333, 1, 1, 1, 1, 1, 1, 1, 1,
0.233333333333333, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 0.233333333333333, 1, 1, 0, 0.233333333333333, 0.801007556675063,
0.763224181360202, 0.765743073047859, 0.821158690176322, 0.82367758186398,
0.829974811083123, 0.690680100755667, 0.702770780856423, 0.763224181360202,
0.71536523929471, 0.714760705289673, 0.801007556675063, 0.780856423173804,
0.73551637279597, 0.780856423173804, 0.779596977329975, 0.869017632241814,
0.698992443324937, 0.717884130982368, 0.861460957178841, 0.841309823677582,
0.826196473551637, 0.705289672544081, 0.818639798488665, 0.750629722921914,
0.881612090680101, 0.748110831234257, 0.748110831234257, 0.797229219143577,
0.86272040302267, 0.712846347607053, 0.712846347607053, 0.748110831234257,
0.86272040302267, 0.879093198992443, 0.931989924433249, 0.86272040302267,
0.86272040302267, 0.934508816120907, 0.842569269521411, 0.817380352644836,
0.842569269521411, 0.797229219143577, 0.931989924433249, 0.931989924433249,
0.797229219143577, 0.792191435768262, 0.931989924433249, 0.931989924433249,
0.931989924433249, 0.98992443324937, 0.98992443324937, 0.98992443324937,
0.98992443324937, 0.881612090680101, 0.919395465994962, 0.98992443324937,
0.98992443324937, 0.906801007556675, 0.98992443324937, 0.98992443324937,
0.889168765743073, 0.98992443324937, 0.973551637279597, 0.98992443324937,
0.738035264483627, 0.98992443324937, 0.973551637279597, 0.98992443324937,
0.889168765743073, 1, 0.973551637279597, 0.973551637279597, 0.973551637279597,
1, 0.973551637279597, 1, 0.937027707808564, 0.973551637279597,
1, 0.826196473551637, 0.826196473551637, 0.826196473551637, 0.843828715365239,
1, 0.843828715365239, 0.806045340050378, 0.826196473551637, 0.843828715365239,
0.826196473551637, 0.806045340050378, 0.806045340050378, 0.806045340050378,
0.843828715365239, 0.826196473551637, 0.843828715365239, 0.843828715365239,
0.937027707808564, 0.937027707808564, 1, 0.649874055415617, 0.843828715365239,
0.748110831234257, 0.782115869017632, 0.773299748110831, 0.795969773299748,
0.773299748110831, 0.843828715365239, 0.842569269521411, 0.773299748110831,
0.773299748110831, 0.773299748110831, 0.773299748110831, 0.793450881612091,
0.761964735516373, 0.685138539042821, 0.797229219143577, 0.836272040302267,
0.797229219143577, 0.804785894206549, 0.86272040302267, 0.86272040302267,
0.797229219143577, 0.842569269521411, 0.881612090680101, 0.851385390428212,
0.86272040302267, 0.804785894206549, 0.931989924433249, 0.806045340050378,
0.826196473551637, 1, 0.705289672544081, 0.619647355163728, 0.973551637279597,
0.649874055415617, 0.748110831234257, 0.806045340050378, 0.779596977329975,
0.712846347607053, 0.802267002518892, 0.856423173803526, 0.818639798488665,
0.842569269521411, 0.842569269521411, 0.748110831234257, 0.797229219143577,
0.804785894206549, 0.748110831234257, 0.86272040302267, 0.804785894206549,
0.758186397984887, 0.797229219143577, 0.748110831234257, 0.804785894206549,
0.804785894206549, 0.86272040302267, 0.842569269521411, 0.86272040302267,
0.748110831234257, 0.804785894206549, 0.797229219143577, 0.797229219143577,
0.748110831234257, 0.712846347607053, 0.748110831234257, 0.86272040302267,
0.797229219143577, 0.712846347607053, 0.780856423173804, 0.931989924433249,
0.826196473551637, 0.770780856423174, 0.817380352644836, 0.1,
0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
0.9, 0.1, 0.1, 0.1, 0.5, 0.2, 0.4, 0.1, 1, 0.3, 0.5, 0.1, 0.4,
0.1, 0.1, 0.1, 0.5, 0.5, 0.8, 0.1, 0.4, 0.3, 0.1, 0.1, 0.1, 0.1,
0.3, 0.1, 0.1, 0.4, 0.7, 0.1, 0.4, 0.4, 0.1, 0.2, 0.4, 0.3, 0.1,
0.2, 0.2, 0.1, 0.1, 0.1, 0.4, 0.5, 0.1, 0.2, 0.5, 0.1, 0.1, 0.5,
0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.5, 0.3, 0.1, 0.1,
0.1, 0.3, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.3, 0.1, 0.1, 0.1,
0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
0.1, 0.2, 0.1, 0.2, 0.1, 0.1, 0.1, 0.1, 0.1, 0.3, 0.1, 0.1, 0.2,
0.3, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1,
0.1, 0.2, 0.5, 0.5, 0.1, 0.1, 0.3, 0.1, 0.2, 0.2, 0.4, 0.2, 0.3,
0.1, 0.2, 0.3, 0.1, 0.1, 0.1, 0.5, 0.4, 0.1, 0.2, 0.2, 0.5, 0.1,
0.1, 0.1, 0.1, 0.1), .Dim = c(174L, 5L), .Dimnames = list(c("159",
"165", "167", "170", "171", "172", "173", "183", "184", "185",
"186", "190", "191", "192", "193", "194", "195", "199", "200",
"205", "209", "210", "225", "232", "237", "251", "254", "255",
"256", "257", "258", "259", "260", "262", "265", "269", "270",
"272", "274", "276", "277", "278", "281", "282", "283", "287",
"288", "290", "291", "292", "295", "296", "298", "299", "300",
"301", "302", "303", "305", "308", "309", "310", "311", "312",
"316", "318", "320", "322", "323", "324", "325", "326", "329",
"332", "333", "340", "343", "344", "346", "347", "348", "350",
"351", "355", "358", "359", "361", "362", "364", "365", "366",
"369", "370", "371", "373", "375", "376", "378", "379", "380",
"381", "383", "389", "156", "157", "160", "161", "163", "175",
"178", "179", "180", "182", "189", "198", "204", "221", "222",
"223", "224", "236", "244", "245", "273", "279", "280", "286",
"289", "304", "307", "336", "337", "353", "354", "382", "385",
"386", "391", "394", "395", "396", "397", "400", "174", "176",
"177", "196", "197", "201", "203", "207", "208", "215", "216",
"217", "218", "228", "230", "234", "238", "240", "241", "242",
"243", "246", "248", "250", "252", "253", "268", "285", "356",
"387", "399"), c("PAYMENT_DELAY", "AMT_TO_PAY", "NUMBER_OF_CREDIT_DAYS",
"AVG_BASE_PRICE", "DELIVERY_DURATION")))
好的，这是一个错误，将在下一个版本中修复。
同时，在使用train之前将nnTrainingDataScaled转换为数据框，就可以得到预测结果。
谢谢，
最大