-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathpoke_learn.py
161 lines (143 loc) · 7.23 KB
/
poke_learn.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
149
150
151
152
153
154
155
156
157
158
159
160
161
# -*- coding: utf-8 -*-
import argparse
from modeles.bayes_naif import BayesNaif
from modeles.perceptron import Perceptron
from modeles.perceptron_mc import PerceptronMC
from modeles.svm import SVM
from modeles.fad import FAD
from modeles.adaboost import AdaBoost
from gestion_donnees import BaseDonnees
from analyse import Analyse, Analyse_multiple
def _build_args_parser():
p = argparse.ArgumentParser(
description=__doc__, formatter_class=argparse.RawTextHelpFormatter)
p.add_argument("fichier", type=str,
help="Nom du fichier de données.")
p.add_argument("vc", type=int, choices=[0, 1],
help="Choix de validation croisée ou pas.")
p.add_argument("choix_modele", type=str,
choices=["bayes_naif", "perceptron",
"perceptron_mc", "svm", "fad", "adaboost"],
help="Choix du modèle à utiliser.")
p.add_argument("--repetitions", type=int, default=1,
help="Nombre de répétitions à faire pour moyenner.")
p.add_argument("--courbe_roc", type=int, default=0,
choices=[0, 1],
help="Choix de courbe ROC ou pas.")
p.add_argument("--est_ech_poids", type=int, default=0,
choices=[0, 1],
help="Choix de poids d'échantillon ou pas.")
p.add_argument("--tol_perceptron", type=float, default=1e-3,
help="Critère de tolérance (perceptron).")
p.add_argument("--max_iter_perceptron", type=int, default=1000,
help="Maximum d'itérations (perceptron).")
p.add_argument("--couches_cachees", type=str, default="2,5,2",
help="Nombre de neurones par couches (perceptron_mc).")
p.add_argument("--activation", type=str, default="relu",
choices=["identity", "logistic", "tanh", "relu"],
help="Type de fonction d'activation (perceptron_mc).")
p.add_argument("--solutionneur", type=str, default="sgd",
choices=["lbfgs", "sgd", "adam"],
help="Type de solutionneur (perceptron_mc).")
p.add_argument("--max_iter_perceptron_mc", type=int, default=2000,
help="Maximum d'itérations (perceptron_mc).")
p.add_argument("--noyau", type=str, default="rbf",
choices=["linear", "poly", "rbf", "sigmoid"],
help="Type de noyau (svm).")
p.add_argument("--tol_svm", type=float, default=1e-3,
help="Critère de tolérance (svm).")
p.add_argument("--max_iter_svm", type=int, default=-1,
help="Maximum d'itérations (svm).")
p.add_argument("--nb_arbres", type=int, default=10,
help="Nombre d'arbres dans la forêt (fad).")
p.add_argument("--critere", type=str, default="gini",
choices=["gini", "entropy"],
help="Critère de séparation (fad).")
p.add_argument("--prof_max_fad", type=int, default=None,
help="Profondeur maximale d'un arbre (fad).")
p.add_argument("--prof_max_adaboost", type=int, default=1,
help="Profondeur maximale de l'arbre (adaboost).")
return p
def main():
parser = _build_args_parser()
args = parser.parse_args()
# -------------------Gestion des données--------------------------
print("\n" + "Gestion des données...")
bd = BaseDonnees(args.fichier, 'is_legendary')
bd.voir_att()
bd.enlever_attributs(['abilities', 'japanese_name', 'name', 'generation',
'pokedex_number', 'classfication'])
bd.str_a_int(['capture_rate'])
bd.str_a_vec(['type1', 'type2'])
bd.normaliser_donnees()
bd.methode_filtrage()
if(bool(args.est_ech_poids)):
poids = bd.definir_poids_att()
else:
poids = []
# -------------------Gestion du modèle----------------------------
print("\n" + "Création du modèle...")
if(args.choix_modele == "bayes_naif"):
modele = BayesNaif()
elif(args.choix_modele == "perceptron"):
modele = Perceptron(max_iter=args.max_iter_perceptron,
tol=args.tol_perceptron)
elif(args.choix_modele == "perceptron_mc"):
modele = PerceptronMC(couches_cachees=tuple([int(x) for x in
args.couches_cachees.split(',')]),
activation=args.activation,
solutionneur=args.solutionneur,
max_iter=args.max_iter_perceptron_mc)
elif(args.choix_modele == "svm"):
modele = SVM(noyau=args.noyau, tol=args.tol_svm,
max_iter=args.max_iter_svm)
elif(args.choix_modele == "fad"):
modele = FAD(nb_arbres=args.nb_arbres, critere=args.critere,
prof_max=args.prof_max_fad)
elif(args.choix_modele == "adaboost"):
modele = AdaBoost(max_prof=args.prof_max_adaboost)
# -------------------Répétitions pour moyenner-----------
analyse_mult = Analyse_multiple(args.repetitions)
for rep in range(args.repetitions):
print("\n" + "Génération des ensembles d'entrainement et de test...")
x_entr, t_entr, x_test, t_test = bd.faire_ens_entr_test()
# -------------------Entrainement ou validation croisée-----------
if bool(args.vc) is False:
print("\n" + "Début de l'entrainement simple...")
modele.entrainement(x_entr, t_entr, args.est_ech_poids, poids)
else:
print("\n" + "Début de l'entrainement par validation croisée...")
modele.validation_croisee(x_entr, t_entr, 10,
args.est_ech_poids, poids)
# -------------------Prédiction et erreur-------------------------
print("\n" + "Calcul des erreurs...")
predictions_entrainement = modele.prediction(x_entr)
erreur_entrainement = modele.erreur(t_entr,
predictions_entrainement) / len(t_entr) * 100
predictions_test = modele.prediction(x_test)
erreur_test = modele.erreur(t_test,
predictions_test) / len(t_test) * 100
print("Erreur d'entrainement = ", erreur_entrainement, '%')
print("Erreur de test = ", erreur_test, '%')
# -------------------Analyse des résultats------------------------
print("\n" + "Analyse des résultats...")
prob = modele.confiance_test(x_test)
analyse = Analyse(t_test, predictions_test, prob)
analyse.calculer_comptes()
analyse.afficher_comptes()
analyse.calculer_metriques()
analyse.afficher_metriques()
if(bool(args.courbe_roc)):
analyse.calculer_courbe_roc()
analyse.afficher_courbe_roc()
analyse_mult.ajouter_erreurs(erreur_entrainement, erreur_test)
analyse_mult.ajouter_metriques(analyse.metriques)
analyse_mult.augmenter_rep_courante()
# -------------------Analyse des répétitions------------------------
if(args.repetitions > 1):
print("\n" + "Analyse des répétitions...")
analyse_mult.calculer_moyennes()
analyse_mult.afficher_moyennes()
analyse_mult.afficher_graphique()
if __name__ == "__main__":
main()