Prečo je môj neuralnet funkcia nefunguje v mojom programe?

Vypisuje chybu Error in eval(predvars, data, env) : object 'B' not found,, Nie som si istý, ako to urobiť, tento riadok:

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

B+M sú dve hodnoty, benígne alebo malígne, a tri atribúty, ktoré majú väčší vplyv na stanovenie sú oblasti, textúru a jemnosť. Ja som za predpokladu, že mám len parametrov vo funkcii neuralnet urobil nesprávne, vie niekto? Tu je rakovina dokumentačný materiál vo verejnej službe Google tabuľky.

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)

Je to príklad, že je správne zadaný prostredníctvom profesor vyzerá pomocou štandardných Iris dataset, nie som si istý, či som urobil moje právo na základe toho, ako je to hotovo:

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")