def test_plotting():
# Test of plotting confusion matrix
logger.info("Testeando plot de matriz de confusion...")
predict = [0, 1, 0, 2, 2, 1]
labels = [0, 1, 1, 2, 1, 0]
metrics = ClassificationMetrics(zip(predict, labels), 3)
plot_confusion_matrix(metrics.confusion_matrix(), show=False)
logger.info("OK")
return
def evaluate(self, data, predictions=False, measure=None):
"""
Evaluación de un conjunto de datos etiquetados, midiendo la salida real o de predicción
contra la esperada mediante una métrica definida en base a la tarea asignada para la red.
:param data: instancia de :class:`.LabeledDataSet` o list de *pyspark.mllib.regression.LabeledPoint*
:param predictions: bool, si es True se deben retornar también las predicciones hechas sobre *data*
:param measure: string, key de alguna medida implementada en alguna de las métricas
diponibles en :mod:`~learninspy.utils.evaluation`.
:return: float, resultado de aplicar la medida dada por *measure*. Si *predictions* es True se retorna
además una lista de *numpy.ndarray* (predicciones).
"""
if isinstance(data, LabeledDataSet):
actual = data.labels
if type(data) is DistributedLabeledDataSet:
actual = actual.collect()
predicted = data.features.map(lambda f: self.predict(f).matrix).collect()
else:
predicted = map(lambda f: self.predict(f).matrix, data.features)
else:
actual = map(lambda lp: lp.label, data)
predicted = map(lambda lp: self.predict(lp.features).matrix, data)
if self.params.classification is True:
# En problemas de clasificacion, se determina la prediccion por la unidad de softmax que predomina
predicted = map(lambda p: float(np.argmax(p)), predicted)
n_classes = self.params.units_layers[-1] # La cant de unidades de la ult capa define la cant de clases
metrics = ClassificationMetrics(zip(predicted, actual), n_classes=n_classes)
if measure is None:
measure = 'F-measure'
else:
metrics = RegressionMetrics(zip(predicted, actual))
if measure is None:
measure = 'R2'
# Evaluo en base a la medida elegida (key perteneciente al dict 'metrics.measures')
hits = metrics.evaluate(measure=measure)
if predictions is True: # Devuelvo ademas el vector de predicciones
ret = hits, predicted
else:
ret = hits
return ret
def evaluate(self, data, predictions=False, measure=None):
"""
Evaluación de un conjunto de datos etiquetados, midiendo la salida real o de predicción
contra la esperada mediante una métrica definida en base a la tarea asignada para la red.
:param data: instancia de :class:`.LabeledDataSet` o list de *pyspark.mllib.regression.LabeledPoint*
:param predictions: bool, si es True se deben retornar también las predicciones hechas sobre *data*
:param measure: string, key de alguna medida implementada en alguna de las métricas
diponibles en :mod:`~learninspy.utils.evaluation`.
:return: float, resultado de aplicar la medida dada por *measure*. Si *predictions* es True se retorna
además una lista de *numpy.ndarray* (predicciones).
"""
if isinstance(data, LabeledDataSet):
actual = data.labels
if type(data) is DistributedLabeledDataSet:
actual = actual.collect()
predicted = data.features.map(lambda f: self.predict(f).matrix).collect()
else:
predicted = map(lambda f: self.predict(f).matrix, data.features)
else:
actual = map(lambda lp: lp.label, data)
predicted = map(lambda lp: self.predict(lp.features).matrix, data)
if self.params.classification is True:
# En problemas de clasificacion, se determina la prediccion por la unidad de softmax que predomina
predicted = map(lambda p: float(np.argmax(p)), predicted)
n_classes = self.params.units_layers[-1] # La cant de unidades de la ult capa define la cant de clases
metrics = ClassificationMetrics(zip(predicted, actual), n_classes=n_classes)
if measure is None:
measure = 'F-measure'
else:
metrics = RegressionMetrics(zip(predicted, actual))
if measure is None:
measure = 'R2'
# Evaluo en base a la medida elegida (key perteneciente al dict 'metrics.measures')
hits = metrics.evaluate(measure=measure)
if predictions is True: # Devuelvo ademas el vector de predicciones
ret = hits, predicted
else:
ret = hits
return ret
neural_net = NeuralNetwork(net_params)
logger.info("Entrenando red neuronal ...")
hits_valid = neural_net.fit(train,
valid,
valid_iters=1,
mini_batch=10,
parallelism=2,
stops=global_stops,
optimizer_params=optimizer_params,
keep_best=True,
reproducible=True)
hits_test, predict = neural_net.evaluate(test, predictions=True)
logger.info("Hits en test: %12.11f", hits_test)
# --4) Evaluacion de desempeño
logger.info("Metricas de evaluación en clasificacion: ")
labels = map(lambda lp: float(lp.label), test.collect())
metrics = ClassificationMetrics(zip(predict, labels), 3)
logger.info("F1-Score: %12.11f", metrics.f_measure(beta=1))
logger.info("Precision: %12.11f", metrics.precision())
logger.info("Recall: %12.11f", metrics.recall())
logger.info("Matriz de confusion: %s",
os.linesep + str(metrics.confusion_matrix()))
# --5) Ploteos
plot_fitting(neural_net)
def test_classification_metrics():
logger.info("Testeando métricas de evaluación para clasificación...")
# Ejemplos para testear evaluación sobre 3 clases
predict = [0, 1, 0, 2, 2, 1]
labels = [0, 1, 1, 2, 1, 0]
metrics = ClassificationMetrics(zip(predict, labels), 3)
# Generales
assert metrics.accuracy() == 0.5
assert (metrics.confusion_matrix() == np.array([[1, 1, 0], [1, 1, 1], [0, 0, 1]])).all()
# Por etiqueta
assert metrics.precision(label=0) == metrics.precision(label=1) == metrics.precision(label=2) == 0.5
assert (metrics.recall(label=0) == 0.5 and
metrics.recall(label=1) == 0.3333333333333333 and
metrics.recall(label=2) == 1.0)
# Micro and macro
assert metrics.precision(macro=True) == metrics.precision(macro=False) == 0.5
assert (metrics.recall(macro=True) == 0.611111111111111 and
metrics.recall(macro=False) == 0.5)
# F-measure variando Beta
assert metrics.f_measure(beta=1) == 0.5499999999999999 # F1-score, igual ponderación
assert metrics.f_measure(beta=0.5) == 0.5188679245283019 # F0.5 score, prioriza precision en lugar de recall
assert metrics.f_measure(beta=2) == 0.5851063829787233 # F2-score, prioriza recall en lugar de precision
logger.info("OK")
# -- 3) Construcción y ajuste de red neuronal
neural_net = NeuralNetwork(net_params)
logger.info("Entrenando red neuronal ...")
hits_valid = neural_net.fit(train, valid, valid_iters=1, mini_batch=10, parallelism=2, stops=global_stops,
optimizer_params=optimizer_params, keep_best=True, reproducible=True)
hits_test, predict = neural_net.evaluate(test, predictions=True)
logger.info("Hits en test: %12.11f", hits_test)
# --4) Evaluacion de desempeño
logger.info("Metricas de evaluación en clasificacion: ")
labels = map(lambda lp: float(lp.label), test.collect())
metrics = ClassificationMetrics(zip(predict, labels), 3)
logger.info("F1-Score: %12.11f", metrics.f_measure(beta=1))
logger.info("Precision: %12.11f", metrics.precision())
logger.info("Recall: %12.11f", metrics.recall())
logger.info("Matriz de confusion: %s", os.linesep+str(metrics.confusion_matrix()))
# --5) Ploteos
plot_fitting(neural_net)
