Błąd w ML5, Cannot convert undefined or null to object.

Witam,
z góry przepraszam za tytuł, ale dopiero zaczynam z tą biblioteką i jeszcze dobrze tych błędów nie rozumiem. Problem jest taki, że wyskakuje mi błąd
TypeError: Cannot convert undefined or null to object. (błąd rejestrowany jest w gotResults w console.error, a odnosi się do index.js:1079)
Zrobiłem sobie jakiś przykładowy projekt, który po podaniu liczby parzystej ma w wyniku zwrócić następną liczbę nieparzystą. Wiem, że prawdopodobnie w moim kodzie jest trochę błędów, więc byłbym wdzięczny za ich wytknięcie. Dodam jeszcze, że po usunięciu ifa w gotResults, zwracana wartość to undefined.

let classifier;

let data = [
    {number: 2, result: 3},
    {number: 4, result: 5},
    {number: 8, result: 9},
    {number: 12, result: 13},
    {number: 16, result: 17},
    {number: 32188, result: 32189},
    {number: 2458, result: 2459},
    {number: 5554, result: 5555},
    {number: 2886, result: 2887},
    {number: 198, result: 199},
    {number: 152, result: 153},
    {number: 6486, result: 6487},
    {number: 22, result: 23},
    {number: 3690, result: 3691},
];

const options = {
    inputs: ['number'],
    outputs: ['result'],
    task: "regression",
    debug: true
};

let nn = ml5.neuralNetwork(options);
data.forEach(item => {
    const input = {
        number: item.number
    };
    const output = {
        result: item.result
    };
    nn.addData(input, output);
});

nn.normalizeData();
trainModel();

function trainModel(){
    const trainingOptions = {
        epochs: 40,
        bathSize: 12
    };
    nn.train(trainingOptions, finishedTraining);
}

function finishedTraining(){
    let input = {
        number: 24
    };
    nn.classify(input, gotResult);
}

function gotResult(err, result){
    if(err){
        console.error(err);
        return;
    }
    console.log(result)
}

EDIT
Sugerując się tym wpisem na StackOverflow, zamieniłem results na stringi. I wszystko "działa". Problem jest jednak taki, że zamiast dostać następną liczbę nieparzystą, wyświetla się prawdopodobieństwo dla każdej liczby z data.result. Co robię źle?

[
    {
        "3": 0.07814767956733704,
        "label": "3",
        "confidence": 0.07814767956733704
    },
    {
        "199": 0.07750645279884338,
        "label": "199",
        "confidence": 0.07750645279884338
    },
    {
        "2459": 0.07698856294155121,
        "label": "2459",
        "confidence": 0.07698856294155121
    },
    {
        "5555": 0.07664407789707184,
        "label": "5555",
        "confidence": 0.07664407789707184
    },
    {
        "17": 0.0766131654381752,
        "label": "17",
        "confidence": 0.0766131654381752
    },
    {
        "13": 0.07611173391342163,
        "label": "13",
        "confidence": 0.07611173391342163
    },
    {
        "2887": 0.07566121965646744,
        "label": "2887",
        "confidence": 0.07566121965646744
    },
    {
        "153": 0.07556954026222229,
        "label": "153",
        "confidence": 0.07556954026222229
    },
    {
        "5": 0.07550838589668274,
        "label": "5",
        "confidence": 0.07550838589668274
    },
    {
        "23": 0.07540042698383331,
        "label": "23",
        "confidence": 0.07540042698383331
    },
    {
        "3691": 0.0745004266500473,
        "label": "3691",
        "confidence": 0.0745004266500473
    },
    {
        "9": 0.07380974292755127,
        "label": "9",
        "confidence": 0.07380974292755127
    },
    {
        "6487": 0.04403751716017723,
        "label": "6487",
        "confidence": 0.04403751716017723
    },
    {
        "32189": 0.0435011200606823,
        "label": "32189",
        "confidence": 0.0435011200606823
    }
]

To cały kod?
Nie rozumiem, w którym miejscu dokładnie ci się to wywala.

a odnosi się do index.js:1079)

A co tam jest dokładnie? Ta linijka 1079 znajduje się w zewnętrznej bibliotece? Jeśli tak, to jaki tam jest kod dokładnie w środku biblioteki, który powoduje błąd?

@LukeJL: funkcja z biblioteki

async classifyInternal(_input) {
  const { meta } = this.neuralNetworkData;
  const headers = Object.keys(meta.inputs);

  let inputData;

  if (this.options.task === 'imageClassification') {
    // get the inputData for classification
    // if it is a image type format it and
    // flatten it
    inputData = this.searchAndFormat(_input);
    if (Array.isArray(inputData)) {
      inputData = inputData.flat();
    } else {
      inputData = inputData[headers[0]];
    }

    if (meta.isNormalized) {
      // TODO: check to make sure this property is not static!!!!
      const { min, max } = meta.inputs[headers[0]];
      inputData = this.neuralNetworkData.normalizeArray(Array.from(inputData), { min, max });
    } else {
      inputData = Array.from(inputData);
    }

    inputData = tf.tensor([inputData], [1, ...meta.inputUnits]);
  } else {
    inputData = this.formatInputsForPredictionAll(_input, meta, headers);
  }

  const unformattedResults = await this.neuralNetwork.classify(inputData);
  inputData.dispose();

  if (meta !== null) {
    const label = Object.keys(meta.outputs)[0];
    const vals = Object.entries(meta.outputs[label].legend);

    const formattedResults = unformattedResults.map(unformattedResult => {
      return vals
        .map((item, idx) => {
          return {
            [item[0]]: unformattedResult[idx],
            label: item[0],
            confidence: unformattedResult[idx],
          };
        })
        .sort((a, b) => b.confidence - a.confidence);
    });

    // return single array if the length is less than 2,
    // otherwise return array of arrays
    if (formattedResults.length < 2) {
      return formattedResults[0];
    }
    return formattedResults;
  }

  return unformattedResults;
}

linijka 36

const vals = Object.entries(meta.outputs[label].legend);

Możesz sprawdzić, co dokładnie jest undefined. Np.

debugger;
const vals = Object.entries(meta.outputs[label].legend);

i użyć step debuggera w dev toolsach w przeglądarce, żeby obczaić, co dokładnie jest undefined albo null.
Albo zmodyfikować bezpośrednio plik tej biblioteki wrzucając jakiś console.log.

@LukeJL: Nie mam dostępu do tego pliku, jednak po wstrzymaniu skryptu w miejscu błędu dostaję dane jak na zdjęciu poniżej:

@LukeJL: Chyba wiem. Po sprawdzeniu jak wygląda obiekt meta (screen "Budowa"), widzę, że nie istniene "legend". "label" ma wartość "result", po czym odwoływane jest do legend klucza, który nie istnieje.

Problem rozwiązany!
Bawiąc się w detektywa krok po kroku prześledziłem możliwe opcje i znalazłem. Do spełnienia mojego celu i typu danych powinienem używać predit(), a nie classify().