R语言使用corels包处理iris数据集报单字符串预期错误的问询

错误根因 #

corels() 函数的rules_file、labels_file参数设计为读取本地预格式化的CORELS规则文件、标签文件，而非直接传入R内存中的数据集对象/列名字符向量。你传入的iris列名是长度为5的字符向量，不符合参数要求的单个文件路径字符串，因此抛出对应错误。

步骤1：任务转换与特征离散化 #

CORELS仅支持二分类任务和布尔规则运算，首先处理iris数据集：

library(corels)
# 构造二分类标签：预测样本是否为setosa物种
iris$label <- as.integer(iris$Species == "setosa")
# 离散化连续特征：按中位数切分为0/1布尔特征
discretize <- function(x) {
  as.integer(x > median(x))
}
iris_feat <- apply(iris[,1:4], 2, discretize)
colnames(iris_feat) <- paste0(colnames(iris_feat), "_gt_median")
# 合并处理后的特征与标签
iris_processed <- as.data.frame(cbind(iris_feat, label = iris$label))

步骤2：生成CORELS要求的三类输入文件 #

将处理好的数据写入本地临时文件，符合CORELS的文件读取要求：

# 1. 规则文件：每行对应一个样本的布尔特征取值
rules_content <- apply(iris_processed[,1:4], 1, function(row) {
  paste(c("{", paste(which(row == 1), collapse = " "), "}"), collapse = "")
})
writeLines(rules_content, con = "iris_rules.txt")

# 2. 标签文件：每行对应一个样本的分类标签
labels_content <- paste0("{", iris_processed$label, "}")
writeLines(labels_content, con = "iris_labels.txt")

# 3. 元数据文件：存储特征名称、标签名称
meta_content <- c(paste0("{", paste(colnames(iris_feat), collapse = "\n"), "}"), 
                  "{label}")
writeLines(meta_content, con = "iris_meta.txt")

步骤3：传入文件路径调用corels函数 #

result <- corels(
  rules_file = "iris_rules.txt",
  labels_file = "iris_labels.txt",
  meta_file = "iris_meta.txt",
  run_bfs = TRUE,
  calculate_size = TRUE
)
# 打印输出最优规则列表
print(result)

• 若要处理iris的三分类任务，可采用一对一、一对多的拆分策略分别训练CORELS模型
• 特征离散化阈值可根据需求调整，不限制仅使用中位数切分
• 运行完成后可自行删除生成的三个临时文本文件

内容的提问来源于stack exchange，提问作者stats_noob