lsa = LSA(MAX_GRAM, MIN_FREQ, P_EIG)
lsa_results = lsa.process_utterances_through_lsa(db.human_utterances)
print("LSA Results computed.")
###############################################################################
test_score = []
###############################################################################
# Data Division
sets = Set(lsa_results, db.robot_ids, db.human_utterances, n_splits=5)
###############################################################################
###############################################################################
# Naive Bayes Classifier
###############################################################################
for i in range(len(sets.lsa_vectors_train)):
naive = NaiveBayesClassifier(alpha=ALPHA)
naive.learning_phase(numpy.array(sets.lsa_vectors_train[i]),
sets.robot_ids_train[i])
###############################################################################
###############################################################################
# Computing the results of the experiment
###############################################################################
test_score.append(
numpy.round(
naive.test_score(numpy.array(sets.lsa_vectors_test[i]),
numpy.array(sets.robot_ids_test[i])), 2))
avg = numpy.round(numpy.average(numpy.round(test_score)), 2)
print("All tests results: ")
print(test_score)
test_score = []
print("Data imported.")
###############################################################################
###############################################################################
# Latent Semantic Analysis
###############################################################################
lsa = LSA(MAX_GRAM, MIN_FREQ, P_EIG)
lsa_results = lsa.process_utterances_through_lsa(db.human_utterances)
print("LSA Results computed.")
###############################################################################
###############################################################################
# Data Division
sets = Set(lsa_results, db.robot_ids, db.human_utterances, n_splits=5)
###############################################################################
###############################################################################
# Naive Bayes Classifier
###############################################################################
naive = NaiveBayesClassifier(alpha=ALPHA)
naive.learning_phase(numpy.array(lsa_results), db.robot_ids)
###############################################################################
speak = SpeakWithTheRobot()
speak.speaking_to_the_robot(lsa, naive, db)
###############################################################################
###############################################################################
lsa = LSA(MAX_GRAM, MIN_FREQ, P_EIG)
lsa_results = lsa.process_utterances_through_lsa(db.human_utterances)
print("LSA Results computed.")
###############################################################################
###############################################################################
# Data Division
sets = Set(lsa_results, db.robot_ids, db.human_utterances, n_splits=5)
###############################################################################
###############################################################################
# Naive Bayes Classifier
###############################################################################
for i in range(len(sets.lsa_vectors_train)):
naive = NaiveBayesClassifier(alpha=ALPHA)
naive.learning_phase(numpy.array(sets.lsa_vectors_train[i]), sets.robot_ids_train[i])
###############################################################################
###############################################################################
# Computing the results of the experiment
###############################################################################
test_score.append(naive.test_score(numpy.array(sets.lsa_vectors_test[i]), numpy.array(sets.robot_ids_test[i])))
probability = naive.classifier.predict_proba(sets.lsa_vectors_test[i])
for j in range(len(sets.lsa_vectors_test[i])):
predicted_class = naive.predict_new_robot_id(sets.lsa_vectors_test[i][j])[0]
r_class = sets.robot_ids_test[i][j]
if r_class != predicted_class:
print("Correct total prob", numpy.round(probability[j][r_class], 3))
print("Pred total prob", numpy.round(probability[j][predicted_class], 3))
print("Prob of real class:", numpy.round(math.exp(naive.classifier.class_log_prior_[r_class]), 3))
lsa_results = lsa.process_utterances_through_lsa(db.human_utterances)
print("LSA Results computed.")
###############################################################################
while True:
test_score = []
###############################################################################
# Data Division
sets = Set(lsa_results, db.robot_ids, db.human_utterances, n_splits=5)
###############################################################################
###############################################################################
# Naive Bayes Classifier
###############################################################################
for i in range(len(sets.lsa_vectors_train)):
naive = NaiveBayesClassifier(alpha=ALPHA)
naive.learning_phase(numpy.array(sets.lsa_vectors_train[i]),
sets.robot_ids_train[i])
###############################################################################
###############################################################################
# Computing the results of the experiment
###############################################################################
test_score.append(
naive.test_score(numpy.array(sets.lsa_vectors_test[i]),
numpy.array(sets.robot_ids_test[i])))
avg = numpy.round(numpy.average(numpy.array(test_score)), 2)
max_index = test_score.index(max(test_score))
print("Test Score:", avg)
print(max_index)