count=0
nomeArquivo=args["nome"]
if(nomeArquivo==None):
nomeArquivo='k_fold_resultado/k_fold_'+str(fold)+"_"+( "KNN" if tipoClassificador==1 else "SVM")+"_"+( "MoCr" if metodo==1 else "HiCo")
print nomeArquivo
arquivo = open(nomeArquivo+'.txt', 'w')
matrizConfusao=[[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]#vetor para gerar matriz confusao
classe2index={'carettacaretta': 0, 'cheloniamydas': 1,'dermochelyscoriacea':2,'eretmochelysimbricata':3,'lepidochelysolivacea':4}
index2classe={0:'carettacaretta', 1:'cheloniamydas', 2:'dermochelyscoriacea',3:'eretmochelysimbricata',4:'lepidochelysolivacea'}
#gerar k-fold e testar imagens no classificador
for imagensTreino,imagensTeste in classificador.k_fold_cross_validation(allSet, fold, True):
#carregar imagens de treino
vetorTreinamento,classesTreinamento=classificador.carregar_imagens(imagensTreino,metodo)
#carregar imagens de teste
vetorTeste,classesTeste=classificador.carregar_imagens(imagensTeste,metodo)
#testar classificador
resultado=classificador.testar(vetorTreinamento,classesTreinamento,vetorTeste,tipoClassificador)
mascara = resultado==classesTeste
acertos = np.count_nonzero(mascara)
porcentagem_acertos= acertos*100.0/resultado.size
for index in range(len(resultado)):
indiceClassePredita=resultado[index]
indiceClasseReal=classesTeste[index]
matrizConfusao[indiceClasseReal][indiceClassePredita]+=1
arquivo.write("Treino:%s\n\n" % imagensTreino)
tipoClassificador=int(args["classificador"])
rest=fold=10
acumulador=0
precisao=0
count=0
nomeArquivo='leave_one_out_result/leave_one_out_'+( "KNN" if tipoClassificador==1 else "SVM")+"_"+( "MoCr" if metodo==1 else "HiCo")
arquivo = open(nomeArquivo+'.txt', 'w')
preds=[[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]#vetor para gerar matriz con
dictClasses={'carettacaretta': 0, 'cheloniamydas': 1,'dermochelyscoriacea':2,'eretmochelysimbricata':3,'lepidochelysolivacea':4}
dictClassesIndex={0:'carettacaretta', 1:'cheloniamydas', 2:'dermochelyscoriacea',3:'eretmochelysimbricata',4:'lepidochelysolivacea'}
for train,test in classificador.k_fold_cross_validation(allSet, fold, True):
trainingSet,trainingResponse=classificador.carregar_imagens(train,metodo)
testSet,testResponse=classificador.carregar_imagens(test,metodo)
precisao,result=classificador.testar(trainingSet,trainingResponse,testSet,testResponse,tipoClassificador)
for index in range(len(result)):
indiceClassePredita=result[index]
indiceClasseReal=testResponse[index]
preds[indiceClasseReal][indiceClassePredita]+=1
arquivo.write("Treino:%s\n\n" % train)
arquivo.write("Teste:%s\n\n" % test)
arquivo.write("Verdadeiro:%s\n\n" % testResponse)
arquivo.write("Classificado:%s\n\n" % result)
rest=rest-1
print "resta:",rest