如何使用GFC.GCCL方法解决R的frbs包中的错误？

我在使用5倍分层交叉验证的数据集上使用

frbs

package in

R

。我已经实现了分层简历。我对

frbs使用GFS.GCCL方法。学习每个折叠中的
函数，并使用测试数据预测结果。我收到此错误以及30条相同的警告消息：

错误：找不到对象“临时规则度”

警告：最大值（MF.temp[m，]，na.rm=TRUE）：
最大值没有未丢失的参数；返回-Inf

我的代码写在下面：

    library(frbs)
    data<-read.csv(file.address)
    data[,30] <- unclass(data[,30]) #column 30 has the class of samples
    data <- data[,c(1,14,20,26,27, 30)] # I choose to have 5 attr. since
                                         #my data is high dimensional    

    k <- 5 # 5-fold 
    seed <- 1
    folds <- strf.cv(data, k, seed) #stratification function for CV


    range.data.inp <- matrix(apply(data[,-ncol(data)], 2, range), nrow=2)

    data<-norm.data(as.matrix(data[,-ncol(data)]),range.data.
            inp,min.scale = 0.1, max.scale = 1)

    ctrl <- list(popu.size = 30, num.class = 2, num.labels= 3,
            persen_cross = 0.9, max.gen = 200, persen_mutant = 0.3,
         name="sim-1")
    for(i in 1:k){

    str <- paste("fold",i)
    print(str)
    test.ind <- folds[[str]]
    test.data <- data[test.ind,]
    train.data <- data[-test.ind,]

    obj <- frbs.learn(train.data , method.type="GFS.GCCL",
                 range.data.inp , ctrl)


    pred <- predict(obj, test.data)
    print("Predicted classes:")
    print(pred)
    }

库（frbs）
数据我（和其他人）在尝试从iris示例数据开始复制从属学习时遇到了类似的问题。在能够使用人工数据运行此操作之前，我有2个格式项需要解决：


我的数据帧导入给了我整数，其中
学习
至少需要
数值
我的标准分布并不平坦。当我将分布展平（3个值，因此每个值有n/3个样本）时，一切都很顺利

我只知道这些。
希望它能有所帮助。
除了@Pilip38的好建议外，我还有另外三个想法，它们在使用frbs包时为我修复了类似的错误

最重要的是：确保输出变量永远不等于0。看起来您有一个二进制输出变量，所以我希望只向其中添加1，使其为1/2，而不是0/1
尝试将range.data.inp矩阵设置为第一行的所有0和第二行的所有1。当然，范围越窄越好，但这可能会导致错误
尝试将标签数减少到2
这可能是一个脆弱的过程。
我在运行SLAVE和GFS.GCCL时遇到了同样的问题。当我在看库的源代码时。我发现在frbs.learn（）中，每个方法都有一个计算输入数据范围的实现。因此，我认为输入数据的范围可能有问题。例如，在GFS.GCCL中，在源代码中，设置参数时，如下所示：

range.data.input <- range.data
data.train.ori <- data.train
popu.size <- control$popu.size
persen_cross <- control$persen_cross
persen_mutant <- control$persen_mutant
max.gen <- control$max.gen
name <- control$name
n.labels <- control$num.labels
n.class <- control$num.class

num.labels <- matrix(rep(n.labels, ncol(range.data)), nrow = 1)
num.labels <- cbind(num.labels, n.class)

## normalize range of data and data training
range.data.norm <- range.data.input
range.data.norm[1, ] <- 0
range.data.norm[2, ] <- 1   
range.data.input.ori <- range.data.input
data.tra.norm <- norm.data(data.train[, 1 : ncol(data.train) - 1], range.data.input, min.scale = 0, max.scale = 1)
data.train <- cbind(data.tra.norm, matrix(data.train[, ncol(data.train)], ncol = 1))

range.data.input
range.data <- rbind(dt.min, dt.max)

range.data.norm <- range.data.input
range.data.norm[1, ] <- 0
range.data.norm[2, ] <- 1