elif args.clasificador == "SGD":
clasificador_usado = linear_model.SGDClassifier(shuffle=True)
else: # "SVM"
clasificador_usado = svm.SVC()
parameters_grid_search = parameters_svm
if args.grid_search:
grid_search = GridSearchCV(clasificador_usado, parameters_grid_search, cv=5, verbose=2, n_jobs=8)
grid_search.fit(features, clases)
print("Mejores parámetros encontrados para " + args.clasificador + ":")
for nombre_parametro, valor_parametro in clasificador_usado.get_params().items():
print("\t{clave}: {valor}".format(clave=nombre_parametro, valor=valor_parametro))
print('')
print("Acierto: {acierto}".format(acierto=grid_search.best_score_))
grid_search.best_estimator_ = grid_search.best_estimator_.fit(features, clases)
clasificador_usado = grid_search.best_estimator_
print('')
if args.parametros_clasificador:
print('')
print("Parametros del clasificador:")
for nombre_parametro, valor_parametro in clasificador_usado.get_params().items():
print("\t{clave}: {valor}".format(clave=nombre_parametro, valor=valor_parametro))
print('')
if args.cross_validation and not args.evaluar:
cross_validation_y_reportar(clasificador_usado, features, clases, 5)
print("Entrenando clasificador...")
if args.ponderar_segun_votos:
le = LabelEncoder()
lb = LabelBinarizer()
loader = NiftiMasker(mask='/tmp/mask.nii.gz',
memory=memory, memory_level=1)
reporter = Reporter(report_dir='/tmp/reporter')
cv = ShuffleSplit(len(target), n_iter=5)
Cs = [1e-3, 1e-2, 1e-1, 1., 10, 1e2, 1e3]
scaler = StandardScaler()
n_x, n_y, n_z = mask.shape
connectivity = grid_to_graph(n_x, n_y, n_z, mask=mask_array)
ward = WardAgglomeration(n_clusters=2000,
connectivity=connectivity, memory=memory)
svc = LinearSVC(penalty='l1', dual=False)
# rand_svc = RandomizedWardClassifier(mask_array, n_iter=16,
# memory=memory, n_jobs=-1)
pipe = Pipeline([('scaler', scaler), ('clf', svc)])
grid = GridSearchCV(pipe, param_grid={'clf__C': Cs},
cv=cv, n_jobs=1)
grid.best_estimator_ = grid.estimator
ovr = OneVsRestClassifier(grid, n_jobs=1)
# decoder = Decoder(ovr, loader, lb, reporter)
# decoder.fit(niimgs, target).score(niimgs, target)
# pipeline = Pipeline([('scaler', scaler), ('clf', clf)])
decoder = Decoder(ovr, loader, lb, reporter)
decoder.fit(niimgs, target).score(niimgs, target)
grid_search = GridSearchCV(clasificador_usado,
parameters_grid_search,
cv=5,
verbose=2,
n_jobs=8)
grid_search.fit(features, clases)
print("Mejores parámetros encontrados para " + args.clasificador +
":")
for nombre_parametro, valor_parametro in clasificador_usado.get_params(
).items():
print("\t{clave}: {valor}".format(clave=nombre_parametro,
valor=valor_parametro))
print('')
print("Acierto: {acierto}".format(acierto=grid_search.best_score_))
grid_search.best_estimator_ = grid_search.best_estimator_.fit(
features, clases)
clasificador_usado = grid_search.best_estimator_
print('')
if args.parametros_clasificador:
print('')
print("Parametros del clasificador:")
for nombre_parametro, valor_parametro in clasificador_usado.get_params(
).items():
print("\t{clave}: {valor}".format(clave=nombre_parametro,
valor=valor_parametro))
print('')
if args.cross_validation and not args.evaluar:
cross_validation_y_reportar(clasificador_usado, features, clases,
5)
