def metricas_ponderadas_segun_concordancia(verdaderos_negativos, falsos_positivos, falsos_negativos,
verdaderos_positivos):
tn = sum(1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1 for tweet in verdaderos_negativos)
fp = sum(1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1 for tweet in falsos_positivos)
fn = sum(1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1 for tweet in falsos_negativos)
tp = sum(1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1 for tweet in verdaderos_positivos)
return tn, fp, fn, tp
def metricas_ponderadas_segun_concordancia(verdaderos_negativos,
falsos_positivos, falsos_negativos,
verdaderos_positivos):
tn = sum(
1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1
for tweet in verdaderos_negativos)
fp = sum(
1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1
for tweet in falsos_positivos)
fn = sum(
1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1
for tweet in falsos_negativos)
tp = sum(
1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1
for tweet in verdaderos_positivos)
return tn, fp, fn, tp
print('')
if args.parametros_clasificador:
print('')
print("Parametros del clasificador:")
for nombre_parametro, valor_parametro in clasificador_usado.get_params().items():
print("\t{clave}: {valor}".format(clave=nombre_parametro, valor=valor_parametro))
print('')
if args.cross_validation and not args.evaluar:
cross_validation_y_reportar(clasificador_usado, features, clases, 5)
print("Entrenando clasificador...")
if args.ponderar_segun_votos:
if args.clasificador == "SVM":
sample_weights = [1 - entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1
for tweet in entrenamiento]
clasificador_usado.fit(features_entrenamiento, clases_entrenamiento, sample_weight=sample_weights)
elif args.clasificador == "DT":
sample_weights = [1 - 2 * entropia(tweet.votos_humor / tweet.votos) if tweet.votos > 0 else 1
for tweet in entrenamiento]
clasificador_usado.fit(features_entrenamiento, clases_entrenamiento, sample_weight=sample_weights)
else:
clasificador_usado.fit(features_entrenamiento, clases_entrenamiento)
else:
clasificador_usado.fit(features_entrenamiento, clases_entrenamiento)
if args.ponderar_segun_votos:
medidas_ponderadas = "concordancia"
else:
medidas_ponderadas = ""
print("Parametros del clasificador:")
for nombre_parametro, valor_parametro in clasificador_usado.get_params(
).items():
print("\t{clave}: {valor}".format(clave=nombre_parametro,
valor=valor_parametro))
print('')
if args.cross_validation and not args.evaluar:
cross_validation_y_reportar(clasificador_usado, features, clases,
5)
print("Entrenando clasificador...")
if args.ponderar_segun_votos:
if args.clasificador == "SVM":
sample_weights = [
1 - entropia(tweet.votos_humor / tweet.votos)
if tweet.votos > 0 else 1 for tweet in entrenamiento
]
clasificador_usado.fit(features_entrenamiento,
clases_entrenamiento,
sample_weight=sample_weights)
elif args.clasificador == "DT":
sample_weights = [
1 - 2 * entropia(tweet.votos_humor / tweet.votos)
if tweet.votos > 0 else 1 for tweet in entrenamiento
]
clasificador_usado.fit(features_entrenamiento,
clases_entrenamiento,
sample_weight=sample_weights)
else:
clasificador_usado.fit(features_entrenamiento,
