class Cuadro:
clasificador = None
def __init__(self):
self.clasificador = Clasificador()
def mostrar(self, imagen):
postura, vector = self.clasificador.posturaPersona(imagen)
return postura, vector
def ToClase(self, post):
Posturas = [\
'Mano Izquierda Apuntando',
'Mano derecha Apuntando'
'Brazos cruzados'
'Mano alzada'
'Mano Cabeza'
'Manos costado'
'Expositiva'
'Manos cadera'
'Mano Mentón'
'Mano derecha Abierta'
'Mano Izquierda Abierta'
'Manos Juntas']
return Posturas[post]
def clasificar(test_path, train_path, clasificador):
'''
Recoge las imagenes del directorio train, entrena el algoritmo, y luego hace un predict con las imagenes del
directorio test. Por último te muestra los resultados.
:param test_path: directorio de las imagenes de test
:param train_path: directorio de las imagenes de train
:param clasificador: tipo de clasificador
:return: Devuelve por pantalla el porcentaje de aciertos del clasificador
'''
imagenes, y = recorrerDirectorios(train_path)
clasif = Clasificador(clasificador=clasificador)
clasif.fit(imagenes, y)
imagenes2, nombre_imagenes = cogerImagenes(test_path)
resultados = clasif.predict(imagenes2)
# Cogemos los dos primeros digitos del nombre de la imagen (etiqueta) o uno
# en caso de estar entre el cero y el 9
array_resultados = np.array([
int(nombre[1:2]) if nombre[0] == '0' else int(nombre[:2])
for nombre in nombre_imagenes
])
porcentaje = clasif.comprobar_resultados(array_resultados)
print(f'Porcentaje de aciertos: {porcentaje}')
#AQUI VA IR EL SERVIDOR :)
from flask import Flask, request
from flask_restful import Resource, Api, reqparse
from flask_cors import CORS
import info
from flask.json import jsonify
import ast
from util import get_top_n_uid, inicializar_algoritmo
from users import save_user_ratings
from clasificador import Clasificador
clasificador = Clasificador()
app = Flask(__name__)
CORS(app)
api = Api(app)
parser = reqparse.RequestParser()
parser.add_argument('ratings', action='append')
class Peliculas(Resource):
def get(self):
user_id = int(request.args.get('user_id'))
user_testset = list(
filter(lambda row: row[0] == user_id, clasificador.testset))
predictions = clasificador.algo.test(user_testset)
movies_id = get_top_n_uid(predictions, user_id)
imdb_ids = info.get_movies_imdb_id(movies_id)
ret = []
for imdb_id in imdb_ids:
import random
import sys
from clasificador import Clasificador
from general_functions import *
ham_training_messages = convert_to_list('train_ham.txt')
spam_training_messages = convert_to_list('train_spam.txt')
ham_cross_validation_messages = convert_to_list('cv_ham.txt')
spam_cross_validation_messages = convert_to_list('cv_spam.txt')
clasificador = Clasificador(ham_training_messages, spam_training_messages)
# clasificador = Clasificador(
# ['play sports today', 'went play sports', 'secret sports event', 'sports is today', 'sports cost money'],
# ['offer is secret', 'click secret link', 'secret sports link']
# )
test_messages_dict = [(message, clasificador.SPAM_MESSAGE) for message in spam_cross_validation_messages]
for message in ham_cross_validation_messages:
test_messages_dict.append((message, clasificador.HAM_MESSAGE))
#print(clasificador.get_performance(test_messages_dict, 2))
optimizations = []
k = 0.001
for i in range(0, 1000):
optimizations.append((clasificador.get_performance(test_messages_dict, k), k))
import cv2 as cv
from camara import Camara
from extractorCaracteristicas import ExtractorCaracteristicas
from clasificador import Clasificador
camara = Camara(0)
imagenOriginal, imagenCorregida, imagenEscalaGrises = camara.getImagenes()
cv.imshow('Imagen', imagenOriginal)
caracteristicas = ExtractorCaracteristicas(imagenEscalaGrises)
caracteristicasObjetos = caracteristicas.extraerCaracteristicas()
clasificador = Clasificador()
imagenConObjetosClasficados = clasificador.colocarEtiqueta(
imagenCorregida, caracteristicasObjetos)
cv.imshow('Imagen', imagenConObjetosClasficados)
cv.waitKey(0)
#data_train = all_data[:int(len(all_data)*porcentaje)]
#data_test = all_data[int(len(all_data)*porcentaje):]
X_train = ok_data_x[:int(len(ok_data_x) * porcentaje
)] + df_data_x[:int(len(df_data_x) * porcentaje)]
Y_train_num = ok_data_y[:int(len(ok_data_y) *
porcentaje)] + df_data_y[:int(
len(df_data_y) * porcentaje)]
X_test = ok_data_x[int(len(ok_data_x) * porcentaje
):] + df_data_x[int(len(df_data_x) * porcentaje):]
Y_test_num = ok_data_y[int(len(ok_data_y) * porcentaje):] + df_data_y[
int(len(df_data_y) * porcentaje):]
aciertos = []
aciertos.append(str(int(porcentaje * 100)) + " %")
clasificador = Clasificador(X_train, Y_train_num, X_test, Y_test_num)
clasificador.clasificadorArbol()
aciertos.append(clasificador.porcentaje_acierto)
clasificador.clasificadorKVecinos()
aciertos.append(clasificador.porcentaje_acierto)
clasificador.clasificadorRandomForest()
aciertos.append(clasificador.porcentaje_acierto)
clasificador.clasificadorPerceptron()
p = clasificador.porcentaje_acierto
aciertos.append(clasificador.porcentaje_acierto)
clasificador.SVC()
aciertos.append(clasificador.porcentaje_acierto)
csv_values.append(aciertos)
porcentaje = porcentaje + 0.02
def migrar(collection,
numero_de_tuits,
path='app2/Requerimientos/clasificador/tuits_todos/',
guardar_hash_clouds=True):
migrados = 0
polaridad_count = {}
sexismo_count = {}
matoneo_count = {}
cla = Clasificador()
start_time = time.time()
print_count = 0
print_every = 100
while (migrados < numero_de_tuits):
files = listdir(path)
random.shuffle(files)
for file in files:
if ('.DS_Store' != file):
with open(path + file, 'r') as f:
print('')
print('Started ' + str(file))
print('')
for line in f.readlines():
print_count += 1
item = json.loads(line)
item['polaridad'] = cla.dar_polaridad(
item['full_text'])
item['sexismo'] = cla.dar_sexismo(item['full_text'])
item['matoneo'] = cla.dar_matoneo(item['full_text'])
if (guardar_hash_clouds):
polaridad_count, sexismo_count, matoneo_count = actualizar_hash_clouds(
item['full_text'], polaridad_count,
sexismo_count, matoneo_count, cla)
migrados += 1
collection.insert_one(item)
if (print_count == print_every):
print_count = 0
print(
str(migrados) + ' of ' + str(numero_de_tuits))
if (migrados == numero_de_tuits):
delta = time.time() - start_time
print('')
print('FINISHED')
if (delta < 60):
final_delta = delta
print('Total time: ' +
str(np.round(final_delta, 2)) +
' Seconds')
elif (delta >= 60 and delta < 3600):
final_delta = delta / 60
print('Total time: ' +
str(np.round(final_delta, 2)) +
' Minutes')
else:
final_delta = delta / 3600
print('Total time: ' +
str(np.round(final_delta, 2)) + ' Hours')
print('Time per Tweet: ' +
str(np.round(delta / numero_de_tuits, 4)) +
' Seconds')
print('')
if (guardar_hash_clouds):
exportar_hash_clouds(polaridad_count,
sexismo_count,
matoneo_count)
return (True)
import random
import sys
from clasificador import Clasificador
from general_functions import *
ham_training_messages = convert_to_list('train_ham.txt')
spam_training_messages = convert_to_list('train_spam.txt')
input_file = 'test_sms.txt'
k = 0.48100000000000026
original_messages = convert_to_list(input_file)
messages_to_classify = sanitize_classified_messages(original_messages)
original_messages = convert_to_list(input_file)
print(original_messages[-1])
print(messages_to_classify[-1])
clasificador = Clasificador(ham_training_messages, spam_training_messages)
results = []
for i in range(len(messages_to_classify)):
probability = clasificador.classify_message(messages_to_classify[i],
clasificador.SPAM_MESSAGE, k)
print(i)
if probability >= 0.7:
results.append('spam\t{}'.format(original_messages[i]))
else:
results.append('ham\t{}'.format(original_messages[i]))
write_message(results, "results.txt")
from flask import Flask, escape, request, jsonify, json
from flask_request_params import bind_request_params
from flask_cors import CORS
from clasificador import Clasificador
clasificadorI = Clasificador()
app = Flask(__name__)
CORS(app)
@app.route("/")
def init():
return "status ok"
@app.route("/clasificador", methods=['GET', 'POST'])
def mostrar():
clasificadorI.leerData()
clasificadorI.generarMatriz()
return clasificadorI.recomendacionDiscotecas()
@app.route("/populares", methods=['GET', 'POST'])
def mostrarPopulares():
clasificadorI.leerData()
clasificadorI.generarMatriz()
return clasificadorI.recomendarPopulares()
def __init__(self):
self.clasificador = Clasificador()