from classes.KernelContext import KernelContext
from classes.SampleGenerator.MultimodalGenerator import MultimodalGenerator
# Def le nombre de points pour le linspace et pour la multimodale
nbPointsFirstGauss = 45
nbPointsSecondGauss = 30
nbPointsTot = nbPointsFirstGauss + nbPointsSecondGauss
# Def du step pour la génération du linspace dans KernelContext
stepLinspace = 0.1
# Génération multimodale
sample = MultimodalGenerator([(nbPointsFirstGauss,-1,1),(nbPointsSecondGauss,5,2)]).generateNormalSamples()
# Def du hOpt
sigma=stdev(sample)
hOpt = 1.06*sigma*(nbPointsFirstGauss+nbPointsSecondGauss)**(-1/5)
#print("hopt",hOpt)
# Def epsilon
#epsilon = 0.2*hOpt #mettre ce paramettre en fonction du hOpt trouvé.
#def Kernel
tKernelTri = KernelContext(sample,TriangularKernel(hOpt),stepLinspace)
plt.axvline(x=maxStruct['potentialHValue'], color="green")
#distances = sorted(distances)
#for ind,p in enumerate(distances):
#if ind != 9:
#plt.axvline(x=(distances[ind+1]+p)/2, color='green')
hDomain = np.linspace(0, 40, 200)
hX = []
tKernel = TriangularKernel(0.1)
for ind, i in enumerate(hDomain):
tKernel.bandwidth = i
hX.append(0)
for j in experimentalSample:
hX[ind] += tKernel.value(centerPoint, j)
plt.plot(hDomain, hX)
plt.show()
sample = MultimodalGenerator([
(100, -1, 1), (400, 5, 2)
]).generateNormalSamples() #sample = echantillon
hist, bins = np.histogram(sample, bins=50)
width = 0.7 * (bins[1] - bins[0])
center = (bins[:-1] + bins[1:]) / 2
plt.bar(center, hist, align='center', width=width)
plt.show()
else:
print("error")
from statistics import stdev
from classes.Kernels.EpanechnikovKernel import EpanechnikovKernel
from classes.SampleGenerator.MultimodalGenerator import MultimodalGenerator
from classes.KernelContext import KernelContext
totalErrorKernel = 0
totalErrorNB = 0
totalErrorKernelPrecis = 0
nbTotalIterations = 10
for e in range(nbTotalIterations):
# On commence par générer des données
sample1 = MultimodalGenerator([(100,2,2),(100,8,2)]).generateNormalSamples()
sample2 = MultimodalGenerator([(100,5,2)]).generateNormalSamples()
# On sait que sur ce jeu de données, les 200 premières données sont de la classe A, et les 100 dernières sont de la classe 2
# Recherche d'une largeur optimale
sigma1=stdev(sample1)
sigma2=stdev(sample2)
hOpt = 1.06 * (sigma1*2+sigma2)/3 * (300) ** (-1 / 5)
# Création de notre kernel
epaKernel = EpanechnikovKernel(hOpt)
# On génère la fonction de densité de la classe A
AClassContext = KernelContext(sample1, epaKernel)
AClassDensity, AClassDensityDomain = AClassContext.computeTotalDensity()
# Pareil pour la classe B