def test_number_multiple_outputs_regression(): import os from EvoDAG.command_line import params, train, predict fname = mo_training_set() sys.argv = [ 'EvoDAG', '--output-dim=3', '-R', '--parameters', 'cache.evodag', '-p3', '-e1', '-r2', fname ] params() sys.argv = [ 'EvoDAG', '--parameters', 'cache.evodag', '-n2', '--output-dim=3', '--model', 'model.evodag', '--test', fname, fname ] train() sys.argv = [ 'EvoDAG', '--output', 'output.evodag', '--decision-function', '--model', 'model.evodag', fname ] predict() os.unlink(fname) os.unlink('cache.evodag') os.unlink('model.evodag') l = open('output.evodag').readline() os.unlink('output.evodag') default_nargs() assert len(l.split(',')) == 3
def test_raw_outputs_classification(): import os from EvoDAG.command_line import params, train, predict fname = mo_training_set() sys.argv = [ 'EvoDAG', '--output-dim=3', '-C', '--parameters', 'cache.evodag', '-p3', '-e1', '-r2', fname ] params() sys.argv = [ 'EvoDAG', '--parameters', 'cache.evodag', '-n2', '--output-dim=3', '--model', 'model.evodag', '--test', fname, fname ] train() sys.argv = [ 'EvoDAG', '--output', 'output.evodag', '--raw-outputs', '--model', 'model.evodag', fname ] predict() os.unlink(fname) os.unlink('cache.evodag') os.unlink('model.evodag') l = open('output.evodag').readline() os.unlink('output.evodag') default_nargs() assert len(l.split(',')) == 6
def test_word_label_2id(): from EvoDAG.command_line import CommandLineTrain, predict import gzip import pickle fname = training_set_str() sys.argv = ['EvoDAG', '-n2', '-C', '--model', 'model.evodag', fname] c = CommandLineTrain() c.parse_args() with gzip.open('model.evodag') as fpt: pickle.load(fpt) a = pickle.load(fpt) b = pickle.load(fpt) assert len(a) == 1 assert 'dato' in a for k in b.keys(): assert k in ['cero', 'uno', 'dos'] sys.argv = [ 'EvoDAG', '--output', 'output.evodag', '--model', 'model.evodag', fname ] predict() assert os.path.isfile('model.evodag') os.unlink(fname) os.unlink('model.evodag') default_nargs() with open('output.evodag') as fpt: l = fpt.readlines() os.unlink('output.evodag') for x in l: assert x.strip() in ['cero', 'uno', 'dos']
def test_predict(): import os from EvoDAG.command_line import params, train, predict fname = training_set() sys.argv = ['EvoDAG', '-C', '--parameters', 'cache.evodag.gz', '-p3', '-e2', '-r', '2', fname] params() sys.argv = ['EvoDAG', '--parameters', 'cache.evodag.gz', '-n2', '--model', 'model.evodag', '--test', fname, fname] train() sys.argv = ['EvoDAG', '--output', 'output.evodag', '--model', 'model.evodag', fname] predict() os.unlink(fname) os.unlink('cache.evodag.gz') os.unlink('model.evodag') assert os.path.isfile('output.evodag') os.unlink('output.evodag') default_nargs()
def test_decision_function(): import os from EvoDAG.command_line import params, train, predict fname = training_set() sys.argv = ['EvoDAG', '-C', '--parameters', 'cache.evodag', '-p3', '-e1', '-r', '1', fname] params() sys.argv = ['EvoDAG', '--parameters', 'cache.evodag', '-n2', '--model', 'model.evodag', '--test', fname, fname] train() sys.argv = ['EvoDAG', '--output', 'output.evodag', '--decision-function', '--model', 'model.evodag', fname] predict() os.unlink(fname) os.unlink('cache.evodag') os.unlink('model.evodag') os.unlink('output.evodag') default_nargs()
def test_predict_cpu(): import os from EvoDAG.command_line import params, train, predict fname = training_set() sys.argv = [ 'EvoDAG', '-C', '--parameters', 'cache.evodag', '-p3', '-e1', '-r2', fname ] params() sys.argv = [ 'EvoDAG', '--parameters', 'cache.evodag', '-n2', '--model', 'model.evodag', '--test', fname, fname ] train() sys.argv = [ 'EvoDAG', '--output', 'output.evodag', '--decision-function', '-u2', '--model', 'model.evodag', fname ] predict() os.unlink(fname) os.unlink('cache.evodag') os.unlink('model.evodag') os.unlink('output.evodag') default_nargs()
def test_predict(): import os from EvoDAG.command_line import params, train, predict fname = training_set() sys.argv = [ 'EvoDAG', '-C', '--parameters', 'cache.evodag.gz', '-p3', '-e2', '-r', '2', fname ] params() sys.argv = [ 'EvoDAG', '--parameters', 'cache.evodag.gz', '-n2', '--model', 'model.evodag', '--test', fname, fname ] train() sys.argv = [ 'EvoDAG', '--output', 'output.evodag', '--model', 'model.evodag', fname ] predict() os.unlink(fname) os.unlink('cache.evodag.gz') os.unlink('model.evodag') assert os.path.isfile('output.evodag') os.unlink('output.evodag') default_nargs()