def rodarValidacaoCruzada(dados, classes, nProts, montecarlo, nFolds, np):
global pa
global k
global n
global treinamento
global classesTreinamento
if len(nProts) == 1:
nProts = ones(max(classes)+1) * nProts[0]
k = sum(nProts)
erros = zeros(montecarlo*nFolds)
rem = 0.0
pa = shape(dados)[1]/2
if not intervalar:
pa = shape(dados)[1]
consideradas = zeros(pa)
nDados = size(classes)
for i in range(montecarlo):
indices = arange(nDados)
random.shuffle(indices)
dadosEmbaralhados = dados[indices,:]
classesEmbaralhadas = classes[indices]
folds = slvq.separarFolds(dadosEmbaralhados, classesEmbaralhadas, nFolds)
for fold in range(nFolds):
print i*nFolds + fold
[treinamento, classesTreinamento, teste, classesTeste] = slvq.separarConjuntos(folds, dadosEmbaralhados, classesEmbaralhadas, fold)
n = shape(treinamento)[0]
preds = zeros((30, len(classesTeste)))
from tqdm import tqdm
for l in tqdm(arange(30)):
inicializar(nProts, np)
VABC(np, nProts)
GBEST = PBEST[indiceGBEST]
consideradas = consideradas + around(GBEST[0,:pa]).astype(float)
#print sum(removidosPBEST[indiceGBEST])
rem = rem + float(sum(removidosPBEST[indiceGBEST]))
preds[l] = testar(teste, classesTeste, GBEST,
classesParticulas[indiceGBEST], pesosPBEST[indiceGBEST], removidosPBEST[indiceGBEST])
# [erros[i*nFolds + fold], d] = testar(teste, classesTeste, GBEST, classesParticulas[indiceGBEST], pesosPBEST[indiceGBEST], removidosPBEST[indiceGBEST])
# print erros[i*nFolds + fold]
predictions = around(mean(preds, axis=0))
print_confusion_matrix(classesTeste, predictions)
exit()
print erros
print mean(erros)
print std(erros)
print consideradas / (montecarlo * nFolds)
print rem / (montecarlo * nFolds)
return erros , "\n erro medio:" , mean(erros) , "\n desvio:" , std(erros) , "\n" , consideradas / (montecarlo * nFolds) , "\n" , rem / (montecarlo * nFolds)
def rodarValidacaoCruzada(dados, classes, nMedias, montecarlo, nFolds):
erros = zeros(montecarlo * nFolds)
n = size(classes)
for i in range(montecarlo):
indices = arange(n)
random.shuffle(indices)
dadosEmbaralhados = dados[indices, :]
classesEmbaralhadas = classes[indices]
folds = slvq.separarFolds(dadosEmbaralhados, classesEmbaralhadas,
nFolds)
for fold in range(nFolds):
print i * nFolds + fold
[treinamento, classesTreinamento, teste,
classesTeste] = slvq.separarConjuntos(folds, dadosEmbaralhados,
classesEmbaralhadas, fold)
preds = zeros((30, len(classesTeste)))
from tqdm import tqdm
for l in tqdm(arange(30)):
[prototipos, classesPrototipos
] = slvq.iniciarPrototiposPorSelecao(treinamento,
classesTreinamento,
nMedias)
[prototipos, pesos,
_] = old.fcm.treinar(treinamento, classesTreinamento,
prototipos, classesPrototipos, 500)
# print testar(teste, classesTeste, prototipos, classesPrototipos, pesos)
[prototipos,
pesos] = treinar(treinamento, classesTreinamento, prototipos,
classesPrototipos, pesos, 0.3)
preds[l] = testar(teste, classesTeste, prototipos,
classesPrototipos, pesos)
predictions = around(mean(preds, axis=0))
print_confusion_matrix(classesTeste, predictions)
exit()
# erros[i*nFolds + fold] = testar(teste, classesTeste, prototipos, classesPrototipos, pesos)
# print erros[i*nFolds + fold]
print erros
print mean(erros)
print std(erros)