def prepareDataSet(self):
columnas=self.dataSet.columns.tolist()
x=columnas[len(columnas)-1]
targetResponse=self.dataSet[x]#clases
y=columnas[0:len(columnas)-1]
dataValues=self.dataSet[y]#atributos
#transformamos la clase si presenta atributos discretos
transformData = transformDataClass.transformClass(targetResponse)
self.target = transformData.transformData
self.dictTransform = transformData.dictTransform
#ahora transformamos el set de datos por si existen elementos discretos...
transformDataSet = transformFrequence.frequenceData(dataValues)
dataSetNewFreq = transformDataSet.dataTransform
#ahora aplicamos el procesamiento segun lo expuesto
applyNormal = ScaleNormalScore.applyNormalScale(dataSetNewFreq)
self.data = applyNormal.dataTransform
#manejo de los nuevos ejemplos....
#ahora transformamos el set de datos por si existen elementos discretos...
transformDataSetNew = transformFrequence.frequenceData(self.dataSetNew)
dataSetNewFreqNew = transformDataSetNew.dataTransform
applyNormalNew = ScaleNormalScore.applyNormalScale(dataSetNewFreqNew)
self.dataNew = applyNormalNew.dataTransform
def prepareDataSet(self):
self.target = self.dataSet[self.featureResponse]#respuestas
dataValues=self.dataSet
del dataValues[self.featureResponse]
#generamos la codificacion
encoding = encodingFeatures.encodingFeatures(dataValues, 20)
encoding.evaluEncoderKind()
dataEncoding = encoding.dataSet
#aplicamos la normalizacion
applyNormal = ScaleNormalScore.applyNormalScale(dataEncoding)
self.data = applyNormal.dataTransform
def createDataSet(self):
targetResponse = self.dataSet[self.featureClass]
dictData = {}
for key in self.dataSet:
if key != self.featureClass:
arrayFeature = []
for i in self.dataSet[key]:
arrayFeature.append(i)
dictData.update({key: arrayFeature})
#formamos el nuevo set de datos...
dataSetNew = pd.DataFrame(dictData)
#ahora evaluamos si la clase tiene valores discretos o continuos y los modificamos en caso de que sean discretos
transformData = transformDataClass.transformClass(targetResponse)
self.target = transformData.transformData
self.dictTransform = transformData.dictTransform
#formamos el class array...
self.classArray = list(set(self.target))
#ahora transformamos el set de datos por si existen elementos discretos...
transformDataSet = transformFrequence.frequenceData(dataSetNew)
dataSetNewFreq = transformDataSet.dataTransform
#ahora aplicamos el procesamiento segun lo expuesto
if self.optionNormalize == 1: #normal scale
applyNormal = ScaleNormalScore.applyNormalScale(dataSetNewFreq)
self.data = applyNormal.dataTransform
if self.optionNormalize == 2: #min max scaler
applyMinMax = ScaleMinMax.applyMinMaxScaler(dataSetNewFreq)
self.data = applyMinMax.dataTransform
if self.optionNormalize == 3: #log scale
applyLog = ScaleDataSetLog.applyLogScale(dataSetNewFreq)
self.data = applyLog.dataTransform
if self.optionNormalize == 4: #log normal scale
applyLogNormal = ScaleLogNormalScore.applyLogNormalScale(
dataSetNewFreq)
self.data = applyLogNormal.dataTransform
def prepareDataSet(self):
self.target = self.dataSet[self.featureResponse]#respuestas
dataValues=self.dataSet
del dataValues[self.featureResponse]
#generamos la codificacion
encoding = encodingFeatures.encodingFeatures(dataValues, 20)
encoding.evaluEncoderKind()
dataEncoding = encoding.dataSet
#aplicamos la normalizacion
applyNormal = ScaleNormalScore.applyNormalScale(dataEncoding)
self.data = applyNormal.dataTransform
#transformamos la clase si presenta atributos discretos
transformData = transformDataClass.transformClass(self.target)
self.target = transformData.transformData
self.dictTransform = transformData.dictTransform
self.data = dataValues
print self.data
dataSet.drop(outliers)
#procesamos el set de datos para obtener los atributos y las clases...
targResponse=dataSet[featureResponse]#clases
#generamos una copia y eliminamos la respuesta de los atributos
dataValues = dataSet
del dataValues[featureResponse]
#generamos la codificacion
encoding = encodingFeatures.encodingFeatures(dataValues, 20)
encoding.evaluEncoderKind()
dataEncoding = encoding.dataSet
#aplicamos la normalizacion
applyNormal = ScaleNormalScore.applyNormalScale(dataEncoding)
data = applyNormal.dataTransform
#generamos una lista con los valores obtenidos...
header = ["Algorithm", "Params", "R_Score", "Pearson", "Spearman", "Kendalltau"]
matrixResponse = []
#comenzamos con las ejecuciones...
#AdaBoost
for loss in ['linear', 'square', 'exponential']:
for n_estimators in [10,50,100,200,500,1000,1500,2000]:
try:
print "Excec AdaBoostRegressor with %s - %d" % (loss, n_estimators)
AdaBoostObject = AdaBoost.AdaBoost(data, targResponse, n_estimators, loss)
AdaBoostObject.trainingMethod()