def Fit(self, dataset):
t = Timer()
t.AddTime("Start")
self.dataset = dataset
self.kmeans.fit(dataset)
print('DEBUG - KMeans Centroids:')
print(self.kmeans.cluster_centers_)
t.AddTime("End")
t.PrintTimes()
def Fit(self, dataset):
""" Calcula la mejor distribución de los puntos del dataset, según los parámetros elegidos."""
t = Timer()
wx.CallAfter(self.listener.SetMaxRange, self.NIterations)
t.AddTime("Start")
self.dataset = dataset
self.datasetLen, self.datasetDimension = list(dataset.shape)
self.population = self._GetInitialPop(
) # 1. Generación de población inicial
t.AddTime("Initial pop")
self.bestIndividual = None
for it in range(self.NIterations):
self.fitness = [i.Fitness() for i in self.population
] # 2. Calculo de aptitud de la población
minFit = np.argmax(self.fitness)
print('DEBUG - Min fit key %d - value: %f' %
(minFit, self.fitness[minFit]))
# if (self.fitness[minFit] <= self.FITNESS_THRESHOLD): # 3. Primera condición de parada
# self.bestIndividual = self.population[minFit]
# break
newPop = [] # Construcción de la nueva población
# 4. Selección de individuos. Elitista + Ruleta
# Aseguro al mejor miembro de la población
eliteInd = self._ElitistSelection()
newPop.append(eliteInd)
# Selecciona el resto por ruleta
selectionAmount = int(len(self.population) * self.SELECTION_RATIO)
print('DEBUG - Selection amount: %s' % selectionAmount)
selected = self._WheelSelection(selectionAmount -
1) # Porque ya tengo uno de elite
newPop.extend(selected)
# 5. Cruza pares de individuos seleccionados al azar
crossAmount = int(
len(self.population) * self.CROSSING_RATIO
) # Cantidad de individuos resultados de la cruza
print('DEBUG - Crossing amount: %s' % crossAmount)
crossOverflow = crossAmount % 2.0
crossAmount = int(math.ceil(
crossAmount /
2.0)) # Se usa la mitad de pares para generar 2 hijos
print('DEBUG - Overflow: %s' % crossOverflow)
print('DEBUG - Cross: %s' % crossAmount)
toCross = self._GetCrossingPairs(crossAmount) # Selección de pares
for pair in toCross:
child1, child2 = pair[0].CrossWith(pair[1]) # Cruza
newPop.append(child1)
newPop.append(child2)
# 6. Mutación de individuos seleccionados al azar
mutationAmount = int(len(self.population) * self.MUTATION_RATIO)
# Si se obtuvo un individuo extra en la cruza resto uno para mutar
if crossOverflow > 0:
mutationAmount -= 1
print('DEBUG - Mutation amount: %s' % mutationAmount)
mutated = self._GetMutated(mutationAmount)
newPop.extend(mutated)
# El método anterior no asegura individuos mutados por lo tanto
# se completa la población con nuevas cruzas si es necesario
if (len(newPop) < len(self.population)):
missingPop = len(self.population) - len(newPop)
toCross = self._GetCrossingPairs(missingPop)
for pair in toCross:
child1, child2 = pair[0].CrossWith(pair[1])
newPop.append(child1)
if (len(newPop) == len(self.population)):
break
newPop.append(child2)
if (len(newPop) == len(self.population)):
break
print("New pop lenght: %d" % len(newPop))
self.population = newPop
t.AddTime("Iteration %d" % it)
wx.CallAfter(self.listener.UpdateProgress, it)
# 7. Ultima condición de parada, fin de las iteraciones
# Si no encontré una solución antes, uso la mejor despues del proceso
if self.bestIndividual is None:
minFit = np.argmax(self.fitness)
self.bestIndividual = self.population[minFit]
t.AddTime("End")
t.PrintTimes()
print('DEBUG - Fitness: %s' % self.fitness[minFit])