def gerarSolucao(nProts):
variaveisConsideradas = random.rand(shape(treinamento)[1])
[prototipos,classes] = slvq.iniciarPrototiposPorSelecao(treinamento, classesTreinamento, nProts)
fonte = ajustarMinsMaxs(ajustarVariaveisConsideradas(append([variaveisConsideradas],prototipos,axis=0)))
[pesos,fonte[1:],removidos] = calcularPesosPrototipos(fonte[1:], classes, fonte[0,:pa])
return [fonte, classes, pesos, removidos]
def rodarValidacaoCruzada(dados, classes, nMedias, montecarlo, nFolds):
erros = zeros(montecarlo * nFolds)
n = size(classes)
for i in range(montecarlo):
indices = arange(n)
random.shuffle(indices)
dadosEmbaralhados = dados[indices, :]
classesEmbaralhadas = classes[indices]
folds = slvq.separarFolds(dadosEmbaralhados, classesEmbaralhadas,
nFolds)
for fold in range(nFolds):
print i * nFolds + fold
[treinamento, classesTreinamento, teste,
classesTeste] = slvq.separarConjuntos(folds, dadosEmbaralhados,
classesEmbaralhadas, fold)
preds = zeros((30, len(classesTeste)))
from tqdm import tqdm
for l in tqdm(arange(30)):
[prototipos, classesPrototipos
] = slvq.iniciarPrototiposPorSelecao(treinamento,
classesTreinamento,
nMedias)
[prototipos, pesos,
_] = old.fcm.treinar(treinamento, classesTreinamento,
prototipos, classesPrototipos, 500)
# print testar(teste, classesTeste, prototipos, classesPrototipos, pesos)
[prototipos,
pesos] = treinar(treinamento, classesTreinamento, prototipos,
classesPrototipos, pesos, 0.3)
preds[l] = testar(teste, classesTeste, prototipos,
classesPrototipos, pesos)
predictions = around(mean(preds, axis=0))
print_confusion_matrix(classesTeste, predictions)
exit()
# erros[i*nFolds + fold] = testar(teste, classesTeste, prototipos, classesPrototipos, pesos)
# print erros[i*nFolds + fold]
print erros
print mean(erros)
print std(erros)
def gerarSolucao(nProts):
[prototipos,classes] = slvq.iniciarPrototiposPorSelecao(treinamento, classesTreinamento, nProts)
return [prototipos, classes]