def test_iris(self):
"""Treina um MLP e um SVM para classificação do conjunto de dados iris."""
# Lê arquivo de dados
dataset = pandas.read_csv('../datasets/iris/iris.data', sep=',')
X = dataset.ix[:, dataset.columns != 'class'].to_dict(orient='records')
y = dataset.ix[:, dataset.columns == 'class'].as_matrix()[:, 0]
vectorizer = DictVectorizer(sparse=False)
X = vectorizer.fit_transform(X)
X_train, X_test, y_train, y_test = train_test_split(X,
y,
test_size=0.25)
classifier = mlp.MLP(hidden_layer_size=10)
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
print(classification_report(y_test, y_pred))
classifier = svm.SVM(kernel='linear', C=1)
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
print(classification_report(y_test, y_pred))
assert True
def train_svm_rbf(self, X, y):
"""Treina um SVM RBF e retorna o classificador treinado."""
clf = svm.SVM(kernel='rbf')
grid = {'C': [1], 'gamma': [0]}
# Realiza busca em grid de parâmetros com 5x2 Fold cross-validation
skf_inner = StratifiedKFold(n_splits=2)
skf_outer = StratifiedKFold(n_splits=5)
# Otimiza parâmetros (2-fold)
clf = GridSearchCV(estimator=clf, param_grid=grid, cv=skf_inner, verbose=0, n_jobs=2)
clf.fit(X, y)
# Validação com parâmetros ótimos de treino (5-fold)
validation_score = cross_val_score(clf, X=X, y=y, cv=skf_outer, verbose=0, n_jobs=1)
print("SVM RBF - Acurácia de validação = %f" % validation_score.mean())
return clf