R插入符号包-维度错误

我是一个新的R用户。我无法解释插入符号包的错误

我的实验由8个变量和3个类的305个观察值组成。 我想训练一个模型（这里是一个神经网络），然后预测一组观察数据的类别，以及每个类别的概率。 因为我想尝试几种型号，所以我想使用“插入符号”软件包

运行以下脚本时，R在尝试预测时停止，并出现以下错误：

Error in dimnames(out)[[2]] <- rev(modelFit$obsLevels) :
  la longueur de 'dimnames' [2] n'est pas égale à l'étendue du tableau

De plus : Warning message:
In nominalTrainWorkflow(x = x, y = y, wts = weights, info = trainInfo,  :
  There were missing values in resampled performance measures.

---

dimnames（out）[[2]]出现错误，下面是正在运行的代码：

  Vars <- read.csv('/home/moumou/ter/Lit.csv',header=FALSE)
  Clas <- read.csv('/home/moumou/ter/Lot.csv',header=FALSE)
  Test <- read.csv('/home/moumou/ter/Lie.csv',header=FALSE)
  colnames(Vars) <- paste('col',1:ncol(Vars),sep='')
  colnames(Clas) <- paste('cls',1:ncol(Clas),sep='')
  colnames(Test) <- paste('col',1:ncol(Test),sep='')
  dt1 <- data.frame(Clas,Vars)
  summary(dt1)
  dt2 <- as.data.frame(Test)
  summary(dt2)

  dt1$class = as.factor(paste0("v",dt1$cls1 ,dt1$cls2, dt1$cls3))

  model <- train(class ~ col1 + col2 + col3 + col4 + col5 + col6 + col7 + col8 , data = dt1, method='nnet')

  pred <- predict.train(model,newdata=dt2,type='prob')

Vars以下是有效的代码：

  Vars <- read.csv('/home/moumou/ter/Lit.csv',header=FALSE)
  Clas <- read.csv('/home/moumou/ter/Lot.csv',header=FALSE)
  Test <- read.csv('/home/moumou/ter/Lie.csv',header=FALSE)
  colnames(Vars) <- paste('col',1:ncol(Vars),sep='')
  colnames(Clas) <- paste('cls',1:ncol(Clas),sep='')
  colnames(Test) <- paste('col',1:ncol(Test),sep='')
  dt1 <- data.frame(Clas,Vars)
  summary(dt1)
  dt2 <- as.data.frame(Test)
  summary(dt2)

  dt1$class = as.factor(paste0("v",dt1$cls1 ,dt1$cls2, dt1$cls3))

  model <- train(class ~ col1 + col2 + col3 + col4 + col5 + col6 + col7 + col8 , data = dt1, method='nnet')

  pred <- predict.train(model,newdata=dt2,type='prob')

Vars您可以共享这些csv文件吗？当然可以！转到（），您将在“R CSV文件”部分找到这三个文件。非常感谢您的光临！你能分享这些csv文件吗？当然！转到（），您将在“R CSV文件”部分找到这三个文件。非常感谢您的光临！谢谢！你很有帮助，很有启发性！很酷，很高兴我能帮上忙！如果这个答案对你有帮助，请接受它并投票表决，这样以后其他有同样问题的人会更容易找到解决方案。非常感谢！你很有帮助，很有启发性！很酷，很高兴我能帮上忙！如果这个答案对你有帮助，请接受它并投票表决，这样其他人在将来更容易找到解决方案。