/
Rfechado.py
executable file
·209 lines (168 loc) · 5.78 KB
/
Rfechado.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
# -*- coding: utf-8 -*-
"""
Created on Sat Mar 2 15:43:17 2013
@author: rami999999999
"""
import sys
import pdb
import numpy as np
import scipy.sparse as sparse
import iteracoes as it
import cria_dados
import scipy.sparse.linalg as linalg
reload(sys)
sys.setdefaultencoding("utf-8")
def calculaW(X,Y,Xteste,Yteste,Xdev,Ydev): #funcao nao normaliza Y
errorg=[]
errortg=[]
#calcula o W usando os valores de X e Y de train e de dev
final=[-1,0,0]
print "A fazer calculos para obter o W"
#print "A calcular transposta de X"
#print "Transposta calculada, a outros calculos"
Xt=X.transpose()
print "A testar lambdas:"
lambs=[10**x for x in xrange(-3,8)]
xg=map(lambda x: np.log10(x),lambs)
#lambs=[100]
#xg=[2]
for lamb in lambs:
#for lamb in [0.0000000000000000000000000001]:
#calculo do w para cada lambda
temp=Xt*X
shape=temp.shape
lambd=sparse.identity(shape[0])*lamb
temp=temp+lambd
temp=linalg.inv(temp)
temp=temp*Xt
temp=temp*Y
#fim do calculo
error=erro(Xdev,Ydev,temp)
errortg.append(erro(Xteste,Yteste,temp))
print lamb,error
errorg.append(error)
if final[0]>error or final[0]==-1:
final[0]=error
final[1]=lamb
final[2]=temp
#valores returnados: temp->W final, final[0]->erro medio associado a esse valor, final[1]-> lambda
try:
import os
os.environ['DISPLAY']
import matplotlib.pyplot as plt
plt.figure(1)
plt.subplot(211)
plt.title("Evolucao do erro Dev")
plt.plot(xg,errorg,"b",xg,errorg,"ro")
plt.subplot(212)
plt.title("Evolucao do erro Teste")
plt.plot(xg,errortg,"b",xg,errortg,"ro")
#plt.savefig("formula.png")
plt.show()
except :
import os
try:
del os.environ['DISPLAY']
except:
pass
print "Nao foi encontrado display\nO grafico vai ser escrito num ficheiro"
print "Os dados usados sao:"+f
import matplotlib as mpl
mpl.use('Agg')
import matplotlib.pyplot as plt
plt.figure(1)
plt.subplot(211)
plt.title("Evolucao do erro Dev")
plt.plot(xg,errorg,"b",xg,errorg,"ro")
plt.subplot(212)
plt.title("Evolucao do erro Teste")
plt.plot(xg,errortg,"b",xg,errortg,"ro")
plt.savefig("formula.png")
return final[2],final[0],final[1]
def erro(X,Y,W):
#dictionary,temp,y=cria_dados.read_output(ficheiro)
#X,Y,cena1,cena2,cena3=cria_dados.criaXY(dictionary,total,y,True)
#X,Y=cria_dados.criaXY(dictionary,total,y,False)
#for indexe in xrange(len(mediaX)):
#for indexe_linha in xrange(X.shape[0]):
#X[indexe_linha,indexe]-=mediaX[indexe]
Y_estimativa=X*W
#Y_estimativa=sparse.csr_matrix(Y_estimativa.todok()*stdY)
#Y_estimativa=sparse.csr_matrix(Y_estimativa.todok()+mediaY)
erroRR=np.abs(Y-Y_estimativa)
try:
mediaRR=erroRR.sum()/erroRR.shape[0]
except:
mediaRR=sum(np.asarray(erroRR))/erroRR.shape[0]
'''
erroRR=erroRR.transpose()
erroRR=erroRR.tolist()[0]
for i in erroRR:
i=i**2
mediaRR=(sum(erroRR)/len(erroRR))
mediaRR=np.sqrt(mediaRR)
'''
'''
estimativa=sum(Y)/len(Y)
for i in Y:
i=(i-estimativa)**2
media=sum(Y)/len(Y)
'''
return mediaRR#,media #mediaRR -> MSE || media->erro de algoritmo parvo
def errop(ficheiro,W,total):
dictionary,temp,y=cria_dados.read_output(ficheiro)
X,Y=cria_dados.criaXY(dictionary,total,y)
Y_estimativa=X*W
#Y_estimativa=map(lambda temp: 2**temp[0],Y_estimativa.tolist())
erroRR=np.abs((Y-Y_estimativa)/Y)
mediaRR=sum(erroRR.transpose().toarray()[0])/erroRR.shape[0]
'''
erroRR=erroRR.transpose()
erroRR=erroRR.tolist()[0]
for i in erroRR:
i=i**2
mediaRR=(sum(erroRR)/len(erroRR))
mediaRR=np.sqrt(mediaRR)
'''
'''
estimativa=sum(Y)/len(Y)
for i in Y:
i=(i-estimativa)**2
media=sum(Y)/len(Y)
'''
return mediaRR#,media #mediaRR -> MSE || media->erro de algoritmo parvo
if __name__ == '__main__':
f="../le_ficheiro/someta"
dictionary,total,y=cria_dados.read_output(f+"train.txt")
X,Y=cria_dados.criaXY(dictionary,total,y,False)
dictionary,temp,y=cria_dados.read_output(f+"test.txt")
Xteste,Yteste=cria_dados.criaXY(dictionary,total,y,False)
dictionary,temp,y=cria_dados.read_output(f+"dev.txt")
Xdev,Ydev=cria_dados.criaXY(dictionary,total,y,False)
dictionary=[]
y=[]
#X,total=cria_dados.delcomun(X,total)
##Y=np.log2(Y)
#dictionaryDev,totalDev,yDev=read_output("../le_ficheiro/dev.txt")
#XDev,YDev=criaXY(dictionaryDev,total,yDev)
#YDev=YDev/maxi
#YDev=np.log10(YDev)
W,erro_dev,lamb=calculaW(X,Y,Xteste,Yteste,Xdev,Ydev)
error=(X*W-Y)
print "OBJECTIVO:", it.get_func(error,W,lamb)
'''
print "___________________________________________________"
print "___________________________________________________\n\n"
print "lambda:",lamb
print "erro do teste-----------------------\n", erro(f+"test.txt",W,total)
#print "erro do treino-----------------------\n", erro("../le_ficheiro/train.txt",W,total)
#print "erro do dev-----------------------\n", erro("../le_ficheiro/dev.txt",W,total)
print "__________________________"
print "W:"
print W
error=(X*W)-Y
print "----------------------------------"
print "funcao de custo:"
print it.get_func(error,W,lamb)
#print "----------------------------------"
'''