-
Notifications
You must be signed in to change notification settings - Fork 0
/
final.py
157 lines (121 loc) · 4.42 KB
/
final.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
import os
import time
import numpy as np
import mnist
from mnist import MNIST
from sklearn.neighbors import KNeighborsClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.metrics import classification_report
def tempo(tempo):
horas = tempo//3600
tempo -= horas *3600
minutos = tempo//60
tempo -= minutos*60
print(horas, "h:", minutos, "m:", tempo, "s", sep='')
def imprime_matriz(matriz):
linhas = len(matriz)
colunas = len(matriz[0])
for i in range(linhas):
for j in range(colunas):
if(j == colunas - 1):
print("%d" %matriz[i][j], end = "\t")
else:
print("%d" %matriz[i][j], end = "\t")
print()
def printResul(saida):
matrix = np.zeros((10, 10), dtype=np.int)
for i in range(len(saida)):
matrix[saida[i]][testLabels[i]] += 1
imprime_matriz(matrix)
tempoInicial0 = time.time()
# pegando o diretório que contem as imagens no formato MNIST
path = os.path.join("images-mnist")
# passando o diretório para a função MNIST para trabalhar com as imagens
data = MNIST(path)
print("Loading dataset")
trainImages, trainLabels = data.load_training() # carregando imagens de treinamento
testImages, testLabels = data.load_testing() #carregando imagens de teste
print("Dataset is load")
tempoInicial = time.time()
lda = LinearDiscriminantAnalysis()
# definindo a função LDA
print("Training LDA")
lda.fit(trainImages, trainLabels)
ldaResult = lda.predict(testImages)
#print_report(predictions, testLabels)
printResul(ldaResult)
tempoAux = time.time()
tempo(int(tempoAux-tempoInicial))
print(int(tempoAux-tempoInicial))
k = 1
resultKnn = list()
knn = KNeighborsClassifier(n_neighbors = k, n_jobs = -1)
#definindo a função Knn e seus parametros
# n_neighbors = numeros de vizinhos
# n_jobs = O número de trabalhos paralelos a serem executados para pesquisa de vizinhos.
# Se n_jobs = -1, então, o número de trabalhos é definido para o número de núcleos da CPU
# fonte: http://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsClassifier.html
tempoInicial = time.time()
print("Training for k = 1")
knn.fit(trainImages, trainLabels.tolist())
# realizando o treinamento usando o k = 1
resultKnn.append(knn.predict(testImages))
# pegando o resultado das predições e salvando a lista.
printResul(resultKnn[len(resultKnn)-1])
tempoAux = time.time()
tempo(int(tempoAux-tempoInicial))
tempoInicial = time.time()
#mudando o valor de k para um novo treinamento
knn.n_neighbors = 10
print("Training for k = 10")
knn.fit(trainImages, trainLabels.tolist())
# realizando o treinamento usando o k = 10
resultKnn.append(knn.predict(testImages))
# pegando o resultado das predições e salvando a lista.
printResul(resultKnn[len(resultKnn)-1])
tempoAux = time.time()
tempo(int(tempoAux-tempoInicial))
tempoInicial = time.time()
#mudando o valor de k para um novo treinamento
knn.n_neighbors = 100
print("Training for k = 100")
knn.fit(trainImages, trainLabels.tolist())
# realizando o treinamento usando o k = 100
resultKnn.append(knn.predict(testImages))
# pegando o resultado das predições e salvando a lista.
printResul(resultKnn[len(resultKnn)-1])
tempoAux = time.time()
tempo(int(tempoAux-tempoInicial))
tempoInicial = time.time()
#mudando o valor de k para um novo treinamento
knn.n_neighbors = 245
print("Training for k = 245")
knn.fit(trainImages, trainLabels.tolist())
# realizando o treinamento usando o k = 245
resultKnn.append(knn.predict(testImages))
# pegando o resultado das predições e salvando a lista.
printResul(resultKnn[len(resultKnn)-1])
tempoAux = time.time()
tempo(int(tempoAux-tempoInicial))
tempoInicial = time.time()
knn.n_neighbors = 490
print("Training for k = 490")
knn.fit(trainImages, trainLabels.tolist())
# realizando o treinamento usando o k = 490
resultKnn.append(knn.predict(testImages))
# pegando o resultado das predições e salvando a lista.
printResul(resultKnn[len(resultKnn)-1])
tempoAux = time.time()
tempo(int(tempoAux-tempoInicial))
tempoInicial = time.time()
knn.n_neighbors = 1000
print("Training for k = 1000")
knn.fit(trainImages, trainLabels.tolist())
# realizando o treinamento usando o k = 1000
resultKnn.append(knn.predict(testImages))
# pegando o resultado das predições e salvando a lista.
printResul(resultKnn[len(resultKnn)-1])
tempoAux = time.time()
tempo(int(tempoAux-tempoInicial))
fim = time.time()
print("Tempo total: ", tempo(int(fim - tempoInicial0)))