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()
