def generar_conjunto_aleatorio(rango,
dim,
tam,
separable=True,
clases=None,
pesos=None):
hiperplano = None
if pesos is None:
hiperplano = Clasificador.genera_pesos(dim)
else:
hiperplano = pesos
conjunto = []
soluciones = []
for i in range(0, tam):
atributos = []
for j in range(0, dim):
atributos.append(random.randint(-rango, rango))
prediccion = Clasificador.calcular_prediccion(atributos,
hiperplano,
None,
is_sigma=False)
conjunto.append(atributos)
if clases != None:
soluciones.append(clases[prediccion])
else:
soluciones.append(prediccion)
if not separable:
soluciones = altera_soluciones(soluciones, rango)
return (hiperplano, conjunto, soluciones)
def entrena(conjunto,
resultados,
clases,
n_epochs,
rate_inicial,
pesos_iniciales,
rate_decay,
summary=None):
pesos = None
rate = rate_inicial
if pesos_iniciales == None:
pesos = clasificador.genera_pesos(len(conjunto[0]))
else:
pesos = pesos_iniciales
epoch = 0
n_errors = 1
while epoch < n_epochs and n_errors != 0:
n_errors = 0
for index in range(0, len(conjunto)):
prediccion = clasificador.calcular_prediccion(conjunto[index],
pesos,
clases,
is_sigma=False)
if prediccion != resultados[index]:
n_errors += 1
pesos = ajusta_pesos(
conjunto[index], pesos,
clasificador.busca_resultado(resultados[index], clases), rate)
if rate_decay:
rate = clasificador.decaer_ratio(rate_inicial, epoch)
if summary != None:
summary.add_epoch(n_errors / len(conjunto))
epoch += 1
return pesos
regre_batch = regresion.Regresion(Votos.votos_clases,
norm=normalizar,
estocastico=False)
regre_batch.entrena(Votos.votos_entr,
Votos.votos_entr_clas,
1000,
rate_decay=True)
regre_batch.summary.imprime_error()
regre_batch.summary.imprime_magnitud()
print("Regresion batch: ", regre_batch.imprime())
print("Regresion batch: ",
regre_batch.evalua(Votos.votos_valid, Votos.votos_valid_clas))
print("Otras pruebas")
print(Clasificador.genera_pesos(5))
# Pesos mejores para votos, probabilidad con validacion de 0.9710144927536232
mejor_votos = [
0.03724722117863166, 0.07855852078341741, -0.04431696109736549,
0.016418011251744247, -0.23789171693988465, -0.042607598132008206,
-0.014111082392901153, 0.021817553749997387, 0.04786968628491195,
0.0650495427619262, -0.049239096885685285, -0.015182104323912426,
-0.07350127226732184, -0.03564717793892669, -0.00531360899617539,
0.03314275012576218, -0.021657938490079687
]
perceptron.entrena(Votos.votos_entr,
Votos.votos_entr_clas,
1000,
pesos_iniciales=mejor_votos,
rate_decay=False)