Pourquoi mon neuralnet ne fonctionne pas dans mon programme?

J'obtiens le message d'erreur Error in eval(predvars, data, env) : object 'B' not foundJe ne suis pas sûr de la façon de faire cette ligne:

nn <- neuralnet(B+M~ area+texture+smoothness, data=cancertrain, hidden=3,

B+M sont les deux valeurs possibles, bénignes ou malignes, et les trois attributs qui ont le plus d'impact dans la détermination de la zone, de la texture et de la douceur. Je pars du principe que je viens d'avoir les paramètres dans la fonction neuralnet fait de manière incorrecte, personne ne sait? Voici le cancer du dataset dans un établissement public de feuille de calcul Google.

library(neuralnet)
library(ISLR) 
library(rpart)
library(rpart.plot)
library(caTools)
library(random)

#setwd("**change to your working directory**")
data <- read.csv("WDBC.csv", header=T)
#head(data)

cancer.dataset <- data
  
#according to previous models and studies, area, texture, and smoothness are the
#attributes with the highest relevance to the diagnosis of benign or malignant
cancer.dataset$b <- cancer.dataset$Diagnosis == "B"
cancer.dataset$m = cancer.dataset$Diagnosis == "M"
cancer.dataset$area <- cancer.dataset$Diagnosis == "area"
cancer.dataset$texture = cancer.dataset$Diagnosis == "texture"
cancer.dataset$smoothness = cancer.dataset$Diagnosis == "smoothness"

cancerdata <- data.frame(cancer.dataset$Diagnosis, cancer.dataset$texture, cancer.dataset$smoothness, cancer.dataset$area)
cancerdata

train <- sample(x = nrow(cancerdata), size = nrow(cancerdata)*0.5)
train

cancertrain <- cancer.dataset[train,]
cancervalid <- cancer.dataset[-train,]
print(nrow(cancertrain))
print(nrow(cancervalid))
nn <- neuralnet(B+M~ area+texture+smoothness, data=cancertrain, hidden=3,  
                rep = 2, err.fct = "ce", linear.output = F, lifesign = "minimal", stepmax = 10000000)

C'est ce qu'un exemple qui est correct donnée par le professeur ressemble à l'aide de la norme Iris dataset, je ne sais pas si j'ai fait mine de droit basé sur la façon dont cette question est en fait:

iris.dataset$setosa <- iris.dataset$Species=="setosa"
iris.dataset$virginica = iris.dataset$Species == "virginica"
iris.dataset$versicolor = iris.dataset$Species == "versicolor"
train <- sample(x = nrow(iris.dataset), size = nrow(iris)*0.5)
train
iristrain <- iris.dataset[train,]
irisvalid <- iris.dataset[-train,]
print(nrow(iristrain))
print(nrow(irisvalid))
nn <- neuralnet(setosa+versicolor+virginica ~ Sepal.Length + Sepal.Width, data=iristrain, hidden=3,  
                rep = 2, err.fct = "ce", linear.output = F, lifesign = "minimal", stepmax = 10000000)

plot(nn, rep="best")