def test_cv(self):
labels = (numpy.arange(120) < 50).astype(int)
examples = numpy.sqrt(numpy.arange(120)).reshape(120, 1)
classifier = RLR(0)
classifier.fit(examples, labels)
def test_zero_alpha(self):
labels = numpy.array([0, 1] * 6).reshape(12, )
examples = numpy.array([1, 0] * 6).reshape(12, 1)
classifier = RLR(0, False)
classifier.fit(examples, labels)
numpy.testing.assert_almost_equal(
classifier.predict_proba(examples)[:, -1], labels, 3)
def test_gridsearch(self):
examples = numpy.array([[ 0.32363278, 0.40278021, 0.0999007 ],
[ 0.32363278, 0.65415895, 0.06500483],
[ 0.32363278, 0.43124139, 0.33864626],
[ 0.71153408, 0.98082042, 0.97221285],
[ 0.23200932, 0.37879705, 0.87567651]])
labels = numpy.array([0, 0, 1, 1, 1])
alphas = []
classifier = RLR()
for _ in range(10):
alpha = gridSearch(examples, labels, classifier,
classifier.num_cores, classifier.cv)
alphas.append(alpha)
assert len(set(alphas)) == 1
def test_stability_no_cv(self):
examples = numpy.array([[ 0.32363278, 0.40278021, 0.0999007 ],
[ 0.32363278, 0.65415895, 0.06500483],
[ 0.32363278, 0.43124139, 0.33864626],
[ 0.71153408, 0.98082042, 0.97221285],
[ 0.23200932, 0.37879705, 0.87567651]])
labels = numpy.array([0, 0, 1, 1, 1])
weights = []
classifier = RLR(cv=0)
for _ in range(10):
classifier.fit(examples, labels)
weights.append(classifier.weights)
for a, b in itertools.combinations(weights, 2):
numpy.testing.assert_almost_equal(a, b)
def test_rounding_error(self):
examples = numpy.array(
[[
1., 0., 1., 0., 0., 0.5, 1.04166663, 5.2750001, 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.5,
1.61556602, 1., 0.5
],
[
1., 0., 1., 0., 0., 0.5, 0.5, 0.5, 1.70000005, 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 4.78571415,
3.91745281, 1., 0.5
],
[
1., 0., 1., 0., 0., 0.5, 4.375, 4.35227251, 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 5.5,
3.58712125, 0., 1.5
],
[
1., 0., 1., 0., 0., 4.25, 5.5, 4.60833311, 5.5, 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 5.5,
4.62812519, 0., 2.5
],
[
1., 0., 1., 0., 0., 0.5, 1.04166663, 0.5, 5.01785707, 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
3.35714293, 2.79500008, 1., 0.5
],
[
1., 0., 1., 0., 0., 1.75, 1.04166663, 0.5, 1.70000005, 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 5.5,
4.79391909, 1., 0.5
],
[
1., 0., 1., 0., 0., 0.5, 0.5, 0.5, 0.5, 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.5, 1., 0.5
],
[
1., 0., 1., 0., 0., 0.5, 0.95833331, 0.5, 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 4.07142878,
4.31931829, 1., 0.5
],
[
1., 0., 1., 0., 0., 4.25, 0.5, 0.5, 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 5.5, 4.94444466,
1., 0.5
],
[
1., 0., 1., 0., 0., 4.07142878, 2.5, 0.5, 0.5, 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.5,
0.63793105, 0., 0.
],
[
1., 0., 1., 0., 0., 0.5, 0.5, 0.5, 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 4.07142878,
2.38010216, 1., 0.5
]])
labels = numpy.array([1, 1, 0, 0, 1, 0, 1, 1, 0, 1, 1])
classifier = RLR(0, False)
classifier.fit(examples, labels)