-
Notifications
You must be signed in to change notification settings - Fork 0
/
boosting.py
executable file
·708 lines (601 loc) · 21.6 KB
/
boosting.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
import numpy
from scipy import *
import numpy.random as npr
from inspect import getargspec
from sys import *
import sklearn
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
import pp
import math
from astroML.datasets import fetch_dr7_quasar
from astroML.datasets import fetch_sdss_sspp
from sklearn.datasets import load_svmlight_file
#import pyroc
from sklearn.metrics import accuracy_score,roc_auc_score,f1_score,precision_score,recall_score
import time
import warnings
def load_csv(filename, cols, sep = ',', skip = 0):
from numpy import loadtxt
data = loadtxt(filename, delimiter = sep, usecols = cols, skiprows = skip)
return data
def cargardataset(nombrearchivo):
archivo=open(nombrearchivo)
dataset=list()
#dataset=dataset[1:,:]
i=1
for linea in archivo:
if i==1:
i=i+1
continue
linea=linea.replace(';',',').replace('\t',',').replace('+','').replace('b','-1.0').replace('s','1.0').replace('g','1.0').replace('b','-1.0').replace('M','1.0').replace('B','-1.0')
linea=linea.strip().split(',')
linea=array(linea)
dataset.append(map(float,linea))
i=i+1
return array(dataset)
def cargardatasettemp(nombrearchivo):
archivo=open(nombrearchivo)
dataset=list()
i=1
for linea in archivo:
print 'LINEA '
if i==1:
i+=1
#print linea
continue
linea=linea.replace(';',',').replace('\t',',').replace('b','-1.0').replace('s','1.0').replace('g','1.0').replace('b','-1.0').replace('M','1.0').replace('B','-1.0')
linea=linea.strip().split(',')
#print linea
dataset.append(map(float,linea))
#return array(dataset,dtype=float)
return array(dataset)
def bubblesort(arr):
done = False
while not done:
done = True
for i in range(len(arr)-1):
if arr[i] > arr[i+1]:
arr[i], arr[i+1] = arr[i+1], arr[i]
done = False
return arr
def remuestrar(datos,distribucion,semilla,porcentaje):
nuevadata=[]
fil,col=datos.shape
distriacum=numpy.zeros(fil+1)
for j in range(len(distribucion)):
distriacum[j+1]=distriacum[j]+distribucion[j]
#print distriacum
#muestra=bubblesort(numpy.random.rand(1,fil))
numpy.random.seed(semilla)
muestra=numpy.random.rand(1,int(fil*porcentaje))
largoacum=len(distriacum)
#print 'Muestra: ', muestra[0]
for num in muestra[0]:
for j in range(1,largoacum):
if distriacum[j-1]<num<distriacum[j]:
nuevadata.append(datos[j-1,:])
break;
#nuevadata=numpy.array(nuevadata)
#print 'NUEVA DATA: ',nuevadata[:,col]
#if nuevadata[:,col].count(nuevadata[0,col])!=len(nuevadata[:,col]):
# print 'Misma CLASE: '
return nuevadata
def performance(Y_pred,Y_real):
accu=accuracy_score(Y_real,Y_pred)
roc=roc_auc_score(Y_real,Y_pred)
f1=f1_score(Y_real,Y_pred)
prec=precision_score(Y_real,Y_pred)
rec=recall_score(Y_real,Y_pred)
return [accu,roc,f1,prec,rec]
def ejec_modelo(X,Y,i):
if i==1:
modelo=sklearn.naive_bayes.GaussianNB()
elif i==2:
modelo=sklearn.tree.DecisionTreeClassifier(max_depth=2)
else:
modelo=sklearn.discriminant_analysis.LinearDiscriminantAnalysis()
modelo.fit(X,Y)
return modelo
def entrenarmodelo(X,Y,i):
#print 'Entreno'
return ejec_modelo(X,Y,i)
def load_astro_dataset():
"""
The BUPA dataset can be obtained from
http://www.cs.huji.ac.il/~shais/datasets/ClassificationDatasets.html
See description of this dataset at
http://www.cs.huji.ac.il/~shais/datasets/bupa/bupa.names
"""
quasars = fetch_dr7_quasar()
stars = fetch_sdss_sspp()
quasars = quasars[::5]
stars = stars[::5]
Nqso = len(quasars)
#print 'Numero quasars: ',Nqso
Nstars = len(stars)
#print 'Numero estrellas: ',Nstars
X = empty((Nqso + Nstars, 4), dtype=float)
X[:Nqso, 0] = quasars['mag_u'] - quasars['mag_g']
X[:Nqso, 1] = quasars['mag_g'] - quasars['mag_r']
X[:Nqso, 2] = quasars['mag_r'] - quasars['mag_i']
X[:Nqso, 3] = quasars['mag_i'] - quasars['mag_z']
X[Nqso:, 0] = stars['upsf'] - stars['gpsf']
X[Nqso:, 1] = stars['gpsf'] - stars['rpsf']
X[Nqso:, 2] = stars['rpsf'] - stars['ipsf']
X[Nqso:, 3] = stars['ipsf'] - stars['zpsf']
y = zeros(Nqso + Nstars, dtype=int)
y[:Nqso] = 1
y[y==0]=-1
#print 'Salida', y
stars=map(tuple,stars)
quasars=map(tuple,quasars)
stars=array(stars)
quasars=array(quasars)
#print "Tamano Astro: ", len(X)
return X, y
def main(argv):
#print 'Starting pp with ',job_server1.get_ncpus(),' workers'
#Numero CPUS
for porcentaje in [0.01,0.1,0.5,1]:
for numerocpus in [1,5,15,25,35,39]:
#numerocpus=7
cpusstr=str(numerocpus)
porcstr=str(porcentaje)
resultados=[]
for experimento in range(10):
print 'Experimento: ',experimento+1
T=int(argv[1])
if argv[2]=='cancer':
datos=cargardataset("wdbc.data")
filas,columnas=datos.shape
temp=numpy.copy(datos[:,1])
datos[:,1]=datos[:,columnas-1]
datos[:,columnas-1]=temp
datos=datos[:,1:]
#print temp
if argv[2]=='astro':
X,y=load_astro_dataset()
#print 'Dime y: ',len(y)
ejemplos=len(y)
y=y.reshape((ejemplos,1))
datos=concatenate((X,y),axis=1)
if argv[2]=='ionosphere':
datos=cargardataset("ionosphere.data")
if argv[2]=='higgs':
datos=cargardataset('training.csv')
print size(datos)
datos=datos[:,1:]
if argv[2]=='diabetes':
#datos=readcsv('diabetes_scale.txt')
x,y=load_svmlight_file('diabetes_scale')
x=x.todense()
print x.shape
y=y.reshape((len(y),1))
datos=numpy.concatenate((x,y),axis=1)
datos=array(datos)
if argv[2]=='heart':
#datos=readcsv('diabetes_scale.txt')
x,y=load_svmlight_file('heart_scale')
x=x.todense()
print x.shape
y=y.reshape((len(y),1))
datos=numpy.concatenate((x,y),axis=1)
datos=array(datos)
if argv[2]=='liver':
#datos=readcsv('diabetes_scale.txt')
x,y=load_svmlight_file('liver-disorders_scale')
x=x.todense()
print x.shape
for i in range(len(y)):
if y[i]==2:
y[i]=-1
y=y.reshape((len(y),1))
datos=numpy.concatenate((x,y),axis=1)
datos=array(datos)
if argv[2]=='mushrooms':
#datos=readcsv('diabetes_scale.txt')
x,y=load_svmlight_file('mushrooms')
x=x.todense()
print x.shape
for i in range(len(y)):
if y[i]==2:
y[i]=-1
y=y.reshape((len(y),1))
datos=numpy.concatenate((x,y),axis=1)
datos=array(datos)
permutacion=list(datos)
random.shuffle(permutacion)
permutacion=array(permutacion)
datos=permutacion
fil,col=datos.shape
entre=datos[0:int(0.8*fil),:]
test=datos[int(0.8*fil):,:]
fil,col=entre.shape
X_test=test[:,:col-1]
Y_test=test[:,col-1]
Y_train=entre[:,col-1]
ejemplostotal,atributos=entre.shape
#print 'Salidas: ',Y_train
fil,col=entre.shape
# distbag son los pesos de cada dato (al comienzo 1/n)
distbag1=(numpy.zeros(fil)+1.0/fil)
distbag2=(numpy.zeros(fil)+1.0/fil)
distbag3=(numpy.zeros(fil)+1.0/fil)
RULES=[]
ALPHA=[]
iteracion=1
hipotesis=[]
hipo_final_train=[]
hipo_final_test=[]
Prop_hipo_final_train=[]
Prop_hipo_final_test=[]
error_final_test=0
while iteracion<=T:
ppservers1=()
job_server1 = pp.Server(ppservers=ppservers1)
ppservers2=()
job_server2 = pp.Server(ppservers=ppservers2)
archivo1=open('DockerServerNB_errorpond_'+argv[2]+cpusstr+'_'+porcstr+'.txt','a')
archivo2=open('DockerServerDT_errorpond_'+argv[2]+cpusstr+'_'+porcstr+'.txt','a')
archivo3=open('DockerServerQDA_errorpond_'+argv[2]+cpusstr+'_'+porcstr+'.txt','a')
Xnuevo1=[]
Ynuevo1=[]
Xnuevo2=[]
Ynuevo2=[]
Xnuevo3=[]
Ynuevo3=[]
resultados1=[]
resultados2=[]
resultados3=[]
X_final=array(entre[:,:col-1])
Y_final=array(entre[:,col-1])
#Paralelo NB
jobs = [(num, job_server1.submit(remuestrar,(entre,distbag1,num*random.randint(1,1000),porcentaje,),(bubblesort,asanyarray,),("numpy",))) for num in range(numerocpus)]
datosnuev1=[]
for numero,trab in jobs:
datosnuev1.append(array(trab()))
while not(trab.finished):
i=1
for datos in datosnuev1:
Xnuevo1.append(datos[:,:col-1])
Ynuevo1.append(datos[:,col-1])
#Paralelo DT
jobs = [(num, job_server1.submit(remuestrar,(entre,distbag2,num*random.randint(1,1000),porcentaje,),(bubblesort,asanyarray,),("numpy",))) for num in range(numerocpus)]
datosnuev2=[]
for numero,trab in jobs:
datosnuev2.append(array(trab()))
while not(trab.finished):
i=1
for datos in datosnuev2:
Xnuevo2.append(datos[:,:col-1])
Ynuevo2.append(datos[:,col-1])
#Paralelo QDA
jobs = [(num, job_server1.submit(remuestrar,(entre,distbag3,num*random.randint(1,1000),porcentaje,),(bubblesort,asanyarray,),("numpy",))) for num in range(numerocpus)]
datosnuev3=[]
for numero,trab in jobs:
datosnuev3.append(array(trab()))
while not(trab.finished):
i=1
for datos in datosnuev3:
Xnuevo3.append(datos[:,:col-1])
Ynuevo3.append(datos[:,col-1])
#Medicion Tiempo Inicio
#Train Naive Bayes##########################################################################################
start_time = time.time()
jobs2 = [(num, job_server2.submit(entrenarmodelo,(Xnuevo1[num],Ynuevo1[num],1),(ejec_modelo,),("sklearn.tree","sklearn.discriminant_analysis","sklearn.naive_bayes",))) for num in range(numerocpus)]
modelos_ens1=[]
for numero2,trab2 in jobs2:
modelos_ens1.append(trab2())
while not(trab2.finished):
i=1
#job_server2.print_stats()
#job_server2.destroy()
#Medicion Tiempo Final
finaltime1=(time.time() - start_time)
#Train Decision Tree#########################################################################################
start_time = time.time()
jobs2 = [(num, job_server2.submit(entrenarmodelo,(Xnuevo2[num],Ynuevo2[num],2),(ejec_modelo,),("sklearn.tree","sklearn.discriminant_analysis","sklearn.naive_bayes",))) for num in range(numerocpus)]
modelos_ens2=[]
for numero2,trab2 in jobs2:
modelos_ens2.append(trab2())
while not(trab2.finished):
i=1
#job_server2.print_stats()
#job_server2.destroy()
#Medicion Tiempo Final
finaltime2=(time.time() - start_time)
#Train Decision Tree########################################################################################
start_time = time.time()
jobs2 = [(num, job_server2.submit(entrenarmodelo,(Xnuevo3[num],Ynuevo3[num],3),(ejec_modelo,),("sklearn.tree","sklearn.discriminant_analysis","sklearn.naive_bayes",))) for num in range(numerocpus)]
modelos_ens3=[]
for numero2,trab2 in jobs2:
modelos_ens3.append(trab2())
while not(trab2.finished):
i=1
#job_server2.print_stats()
#job_server2.destroy()
#Medicion Tiempo Final
finaltime3=(time.time() - start_time)
#####Naive Bayes############################################################################################
Y_ens=zeros(len(Y_final))
sumaerrorpond=0
pond_bag=[]
itera=0
variableiter=ones(len(modelos_ens1))
for model in modelos_ens1:
salida=model.predict(X_final)
errorpond=sum(salida==Y_final)/float(len(Y_final))
sumaerrorpond+=errorpond
Difebag=(salida==Y_final)
Difebag2=numpy.ones(len(Difebag))
err=0
for z in range(len(Difebag)):
if Difebag[z]==False:
err+=distbag1[z]
Difebag2[z]=0
if err==0:
err+=0.000000000001
if err>0.5:
#print 'Error modelo mayor ',itera
variableiter[itera]=-1
alp = 0.5 * log((1-err)/err)
Y_ens+=variableiter[itera]*salida*(1-errorpond)
pond_bag.append(errorpond)
itera+=1
Y_out_ens=numpy.sign(array(Y_ens))
Difebag=(Y_out_ens==Y_final)
invertir=1
e=0
for z in range(len(Difebag)):
if Difebag[z]==False:
e+=distbag1[z]
if e==0:
e+=0.000000000001
if e>0.5:
#print "Error mayor!!!!!! "
invertir=1
alphabag = 0.5 * log((1-e)/e)
equiv=[]
Y_out_ens= Y_out_ens*invertir
w = zeros(len(Y_final))
for i in range(len(Y_final)):
if Y_final[i]!=Y_out_ens[i]:
equiv.append(i)
w[i] = distbag1[i] * exp(Y_final[i]*Y_out_ens[i]*-alphabag)
distbag1 = w / w.sum()
#TRAIN
Prop_hipo_simple_train=Y_out_ens
Prop_hipo_final_train.append(Y_out_ens*alphabag)
#print hipo_final_train
error_simple_train=sum(Prop_hipo_simple_train==Y_final)/float(len(Y_final))
Prop_error_final_train=sum(numpy.sign(array(Prop_hipo_final_train).sum(axis=0))==Y_final)/float(len(Y_final))
resultados1.append(iteracion)
#print ' Prop Train Hipo: ',error_simple_train,'Prop Train Final: ',Prop_error_final_train, ' Ronda: ',iteracion
medidas_prop_train=performance(numpy.sign(array(Prop_hipo_final_train).sum(axis=0)),Y_final)
for med in medidas_prop_train:
resultados1.append(med)
del medidas_prop_train
Y_ens_test=zeros(len(Y_test))
variable=0
itera=0
for model in modelos_ens1:
#print Xnuevo[mod]
salida=model.predict(X_test)*variableiter[itera]
ponderacion=float(pond_bag[variable])
Y_ens_test+=salida*ponderacion*invertir
#Y_ens_test+=salida*invertir
itera+=1
variable+=1
###### FIN WHILE
Y_out_ens_test=numpy.sign(array(Y_ens_test))
#TEST
Prop_hipo_simple_test=Y_out_ens_test
Prop_hipo_final_test.append(Y_out_ens_test*alphabag)
error_simple_test=sum(Prop_hipo_simple_test==Y_test)/float(len(Y_test))
Prop_error_final_test=sum(numpy.sign(array(Prop_hipo_final_test).sum(axis=0))==Y_test)/float(len(Y_test))
#print ' Prop Test Hipo: ',error_simple_test,'Prop Test Final: ',Prop_error_final_test, ' Ronda: ',iteracion
medidas_prop_test=performance(numpy.sign(array(Prop_hipo_final_test).sum(axis=0)),Y_test)
for med in medidas_prop_test:
resultados1.append(med)
del medidas_prop_test
resultados1.append(finaltime1)
resultados1=map(str,resultados1)
archivo1.write('&'.join(resultados1)+'\n')
########################################NAIVE BAYES###############################################################
#####DECISION TREE################################################################################################
Y_ens=zeros(len(Y_final))
sumaerrorpond=0
pond_bag=[]
itera=0
variableiter=ones(len(modelos_ens2))
for model in modelos_ens2:
salida=model.predict(X_final)
errorpond=sum(salida==Y_final)/float(len(Y_final))
sumaerrorpond+=errorpond
Difebag=(salida==Y_final)
Difebag2=numpy.ones(len(Difebag))
err=0
for z in range(len(Difebag)):
if Difebag[z]==False:
err+=distbag2[z]
Difebag2[z]=0
if err==0:
err+=0.000000000001
if err>0.5:
#print 'Error modelo mayor ',itera
variableiter[itera]=1
alp = 0.5 * log((1-err)/err)
Y_ens+=variableiter[itera]*salida*errorpond
pond_bag.append(errorpond)
itera+=1
Y_out_ens=numpy.sign(array(Y_ens))
Difebag=(Y_out_ens==Y_final)
invertir=1
e=0
for z in range(len(Difebag)):
if Difebag[z]==False:
e+=distbag2[z]
if e==0:
e+=0.000000000001
if e>0.5:
#print "Error mayor!!!!!! "
invertir=1
alphabag = 0.5 * log((1-e)/e)
equiv=[]
Y_out_ens= Y_out_ens*invertir
w = zeros(len(Y_final))
for i in range(len(Y_final)):
if Y_final[i]!=Y_out_ens[i]:
equiv.append(i)
w[i] = distbag2[i] * exp(Y_final[i]*Y_out_ens[i]*-alphabag)
distbag2 = w / w.sum()
#TRAIN
Prop_hipo_simple_train=Y_out_ens
Prop_hipo_final_train.append(Y_out_ens*alphabag)
#print hipo_final_train
error_simple_train=sum(Prop_hipo_simple_train==Y_final)/float(len(Y_final))
Prop_error_final_train=sum(numpy.sign(array(Prop_hipo_final_train).sum(axis=0))==Y_final)/float(len(Y_final))
resultados2.append(iteracion)
#print ' Prop Train Hipo: ',error_simple_train,'Prop Train Final: ',Prop_error_final_train, ' Ronda: ',iteracion
medidas_prop_train=performance(numpy.sign(array(Prop_hipo_final_train).sum(axis=0)),Y_final)
for med in medidas_prop_train:
resultados2.append(med)
del medidas_prop_train
Y_ens_test=zeros(len(Y_test))
variable=0
itera=0
for model in modelos_ens2:
#print Xnuevo[mod]
salida=model.predict(X_test)*variableiter[itera]
ponderacion=float(pond_bag[variable])
Y_ens_test+=salida*ponderacion*invertir
#Y_ens_test+=salida*invertir
itera+=1
variable+=1
###### FIN WHILE
Y_out_ens_test=numpy.sign(array(Y_ens_test))
#TEST
Prop_hipo_simple_test=Y_out_ens_test
Prop_hipo_final_test.append(Y_out_ens_test*alphabag)
error_simple_test=sum(Prop_hipo_simple_test==Y_test)/float(len(Y_test))
Prop_error_final_test=sum(numpy.sign(array(Prop_hipo_final_test).sum(axis=0))==Y_test)/float(len(Y_test))
#print ' Prop Test Hipo: ',error_simple_test,'Prop Test Final: ',Prop_error_final_test, ' Ronda: ',iteracion
medidas_prop_test=performance(numpy.sign(array(Prop_hipo_final_test).sum(axis=0)),Y_test)
for med in medidas_prop_test:
resultados2.append(med)
del medidas_prop_test
resultados2.append(finaltime2)
resultados2=map(str,resultados2)
archivo2.write('&'.join(resultados2)+'\n')
########################################DECISION TREE###############################################################
#####QDA################################################################################################
Y_ens=zeros(len(Y_final))
sumaerrorpond=0
pond_bag=[]
itera=0
variableiter=ones(len(modelos_ens3))
for model in modelos_ens3:
salida=model.predict(X_final)
errorpond=sum(salida==Y_final)/float(len(Y_final))
sumaerrorpond+=errorpond
Difebag=(salida==Y_final)
Difebag2=numpy.ones(len(Difebag))
err=0
for z in range(len(Difebag)):
if Difebag[z]==False:
err+=distbag3[z]
Difebag2[z]=0
if err==0:
err+=0.000000000001
if err>0.5:
#print 'Error modelo mayor ',itera
variableiter[itera]=1
alp = 0.5 * log((1-err)/err)
Y_ens+=variableiter[itera]*salida*errorpond
pond_bag.append(errorpond)
itera+=1
Y_out_ens=numpy.sign(array(Y_ens))
Difebag=(Y_out_ens==Y_final)
invertir=1
e=0
for z in range(len(Difebag)):
if Difebag[z]==False:
e+=distbag3[z]
if e==0:
e+=0.000000000001
if e>0.5:
#print "Error mayor!!!!!! "
invertir=1
alphabag = 0.5 * log((1-e)/e)
equiv=[]
Y_out_ens= Y_out_ens*invertir
w = zeros(len(Y_final))
for i in range(len(Y_final)):
if Y_final[i]!=Y_out_ens[i]:
equiv.append(i)
w[i] = distbag3[i] * exp(Y_final[i]*Y_out_ens[i]*-alphabag)
distbag3 = w / w.sum()
#TRAIN
Prop_hipo_simple_train=Y_out_ens
Prop_hipo_final_train.append(Y_out_ens*alphabag)
#print hipo_final_train
error_simple_train=sum(Prop_hipo_simple_train==Y_final)/float(len(Y_final))
Prop_error_final_train=sum(numpy.sign(array(Prop_hipo_final_train).sum(axis=0))==Y_final)/float(len(Y_final))
resultados3.append(iteracion)
#print ' Prop Train Hipo: ',error_simple_train,'Prop Train Final: ',Prop_error_final_train, ' Ronda: ',iteracion
medidas_prop_train=performance(numpy.sign(array(Prop_hipo_final_train).sum(axis=0)),Y_final)
for med in medidas_prop_train:
resultados2.append(med)
del medidas_prop_train
Y_ens_test=zeros(len(Y_test))
variable=0
itera=0
for model in modelos_ens3:
#print Xnuevo[mod]
salida=model.predict(X_test)*variableiter[itera]
ponderacion=float(pond_bag[variable])
Y_ens_test+=salida*ponderacion*invertir
#Y_ens_test+=salida*invertir
itera+=1
variable+=1
###### FIN WHILE
Y_out_ens_test=numpy.sign(array(Y_ens_test))
#TEST
Prop_hipo_simple_test=Y_out_ens_test
Prop_hipo_final_test.append(Y_out_ens_test*alphabag)
error_simple_test=sum(Prop_hipo_simple_test==Y_test)/float(len(Y_test))
Prop_error_final_test=sum(numpy.sign(array(Prop_hipo_final_test).sum(axis=0))==Y_test)/float(len(Y_test))
#print ' Prop Test Hipo: ',error_simple_test,'Prop Test Final: ',Prop_error_final_test, ' Ronda: ',iteracion
medidas_prop_test=performance(numpy.sign(array(Prop_hipo_final_test).sum(axis=0)),Y_test)
for med in medidas_prop_test:
resultados3.append(med)
del medidas_prop_test
resultados3.append(finaltime3)
resultados3=map(str,resultados3)
archivo3.write('&'.join(resultados3)+'\n')
########################################DECISION TREE###############################################################
archivo1.close()
archivo2.close()
archivo3.close()
del resultados1
del datosnuev1
del resultados2
del datosnuev2
del resultados3
del datosnuev3
job_server1.destroy()
job_server2.destroy()
iteracion+=1
del permutacion
del datos
del entre
del test
del hipotesis
del hipo_final_train
del hipo_final_test
del Prop_hipo_final_train
del Prop_hipo_final_test
if __name__=="__main__":
main(argv)