def saveResults(self):
for i in range(0, len(self.predictions)):
self.test_data_set.set_value(i, self.class_name,
self.predictions[i])
DataSet.saveResults(self.result_path, self.iteration,
self.test_data_set)
def saveResults(self):
for i in range(0, len(self.predictions)):
self.test_data_set.set_value(i, 'classe', self.predictions[i])
DataSet.saveResults("clusteredDensityKnn", self.iteration,
self.test_data_set)
def run(self):
self.rna_classified_samples= []
self.intermediate_range_samples = []
self.rna.setDataSet(self.data_set)
self.rna.setTestDataSet(self.test_data_set)
self.knn.setDataSet(self.data_set)
training_time_start = time.time()
#funcao para gerar o modelo neural para a abordagem hibrida
outputs_training, predictions, history = self.rna.generateHybridModelNovo()
#print (np.percentile(outputs_training,75))
positivos = 0
negativos = 0
valor_negativo = 0
valor_positivo = 0
positivos_serie = []
negativos_serie = []
#divide os valores da camada de saida da ultima iteracao do treinamento em conjunto de positivos e de negativos
for i in range(0,len(outputs_training)):
if(predictions[i] == 0 ):
negativos = negativos + 1
valor_negativo = valor_negativo + outputs_training[i]
negativos_serie.append(outputs_training[i])
elif(predictions[i] == 1):
positivos = positivos + 1
valor_positivo = valor_positivo + outputs_training[i]
positivos_serie.append(outputs_training[i])
#cria base de exemplos do KNN
self.knn.buildExamplesBase()
self.training_time = time.time() - training_time_start
list_position_rna_classified_samples = []
list_position_intermediate_range_samples = []
test_time_start = time.time()
#inicia teste
#realiza classificacao atraves da RNA
self.predictions_rna = self.rna.predict()
self.test_time = time.time() - test_time_start
tamanho_predicao = len(self.predictions_rna)
tamanho_data_set = len(self.test_data_set.values)
#posicao do atributo "classe" no vetor
posicao_classe = len(self.test_data_set.values[0]) - 2
if (self.verifyClassesPredictions(predictions) == True):
#define os limites superiores e inferiores de acordo com os valores de percentil para definir a faixa intermediaria (valores de percentil sao setados no arquivo main.py)
self.upper_threshold = np.percentile(positivos_serie,self.percentil_faixa_sup)
self.lower_threshold = np.percentile(negativos_serie,(self.percentil_faixa_inf))
#verifica se valor esta dentro dos limites ou fora
for i in range(0,len(self.predictions_rna)):
print(self.predictions_rna[i])
if(self.predictions_rna[i] > (self.upper_threshold) ):
#print("CLASSIFICACAO CONFIAVEL!")
#realiza as modificacoes no dataframe dos exemplos originais de teste de acordo com a classificacao da RNA
self.test_data_set.set_value(i, self.class_name, 1)
elif( self.predictions_rna[i] < (self.lower_threshold)):
#print("CLASSIFICACAO CONFIAVEL!")
#realiza as modificacoes no dataframe dos exemplos originais de teste de acordo com a classificacao da RNA
self.test_data_set.set_value(i, self.class_name, 0)
else:
#print("FAIXA INTERMEDIARIA!")
#adiciona exemplos em um vetor de exemplos classificados como intermediarios
self.intermediate_range_samples.append(self.test_data_set.values[i,:])
list_position_intermediate_range_samples.append(i)
del(self.predictions_rna)
#cria um dataframe de exemplos classificados pela RNA
dataframe_rna_classified_samples = pandas.DataFrame(
data= self.rna_classified_samples,
index= list_position_rna_classified_samples,
columns= self.test_data_set.columns)
print(dataframe_rna_classified_samples)
#salva os resultados gerados pela RNA
DataSet.saveResults( self.result_path + "rna_classification/", self.iteration, dataframe_rna_classified_samples)
del(dataframe_rna_classified_samples)
del(list_position_rna_classified_samples)
else:
for i in range(0,len(self.predictions_rna)):
self.intermediate_range_samples.append(self.test_data_set.values[i,:])
list_position_intermediate_range_samples.append(i)
#cria um dataframe de exemplos classificados como intermediarios
dataframe_intermediate_range_samples = pandas.DataFrame(
data= self.intermediate_range_samples,
index= list_position_intermediate_range_samples,
columns= self.test_data_set.columns)
#seta o dataframe de exemplos intermediarios como conjunto de teste para o KNN
self.knn.setTestDataSet(dataframe_intermediate_range_samples)
#salva os exemplos enviados para o KNN apenas para possivel identificacao posterior
DataSet.saveResults( self.result_path + "knn_classification/", self.iteration, dataframe_intermediate_range_samples)
test_time_start = time.time()
#executa o KNN para classificar os exemplos do conjunto de teste
self.predictions_knn = self.knn.run()
self.test_time = self.test_time + (time.time() - test_time_start)
del(self.data_set)
del(dataframe_intermediate_range_samples)
#realiza as modificacoes no dataframe dos exemplos originais de teste de acordo com a classificacao do KNN
for i in range(0,len(self.predictions_knn)):
self.test_data_set.set_value(list_position_intermediate_range_samples[i], self.class_name, self.predictions_knn[i])
#salva o data frame modificado como o resultado final
DataSet.saveResults( self.result_path + "final_method_classification/", self.iteration, self.test_data_set)
del(self.test_data_set)
def saveResults(self):
data_set = self.test_data_set[:]
for i in range(0, len(self.predictions)):
data_set.set_value(i, 'label', self.predictions[i])
DataSet.saveResults(self.result_path, self.iteration, data_set)