def applySpatialDeformation(self, feature, kindDataSet):
if kindDataSet == 'CLASS':
data, target = self.getClass_Attribute(self.dataSet, feature)
#normalizo el set de datos...
dataNorm = self.normalizeDataSet(data)
#transformamos las clases en variables numericas si es necesario...
transformData = transformDataClass.transformClass(target)
targetTransform = transformData.transformData
response = self.applyRandomForestClassifier(
dataNorm, targetTransform)
elif kindDataSet == 'PREDICTION':
data, response = self.getClass_Attribute(self.dataSet, feature)
#normalizamos el set de datos...
dataNorm = self.normalizeDataSet(data)
response = self.applyRandomForestPrediction(dataNorm, response)
else:
response = "Option not available for this type of data set"
return response
def createDataSet(self):
self.dataSet.dropna(how='any', axis=0) #remove row with dummy values
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.response = transformData.transformData
self.dictTransform = transformData.dictTransform
#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
if self.optionNormalize == 0: #no normalizar
self.data = dataSetNewFreq
#valores iniciales
start_time = time.time()
inicio = datetime.datetime.now()
iteracionesCorrectas = 0
iteracionesIncorrectas = 0
#procesamos el set de datos para obtener los atributos y las clases...
columnas = dataSet.columns.tolist()
x = columnas[len(columnas) - 1]
target = dataSet[x] #clases
y = columnas[0:len(columnas) - 1]
data = dataSet[y] #atributos
#transformamos la clase si presenta atributos discretos
transformData = transformDataClass.transformClass(targetResponse)
target = transformData.transformData
#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)
data = applyNormal.dataTransform
#generamos una lista con los valores obtenidos...
header = [
"Algorithm", "Params", "R_Score", "Pearson", "Spearman", "Kendalltau"
]
matrixResponse = []