Usando o RNSA
Acesse o notebook Jupyter com o código disponível aqui!
Importando o Algoritmo de seleção negativa de valor real.
from aisp.NSA import RNSA
Gerando bolhas de dados para as classe aleatoriamente.
Utilizando a função make_blobs, são gerados dois conjuntos de dados em forma de bolhas, no intervalo entre 0 e 1, representando cada classe x e y. Em seguida, esses dados são separados em conjuntos de teste e treinamento.
from sklearn.datasets import make_blobs
from sklearn.model_selection import train_test_split
# Gerando as amostras e saídas para o treinamento.
samples, output = make_blobs(n_samples=500 , n_features=2, cluster_std=0.07, center_box=([0.0, 1.0]), centers=[[0.25, 0.75], [0.75, 0.25]], random_state=1234)
# Separando dados para treinamento e teste.
train_x, test_x, train_y, test_y = train_test_split(samples, output, test_size=0.2)
Testando o modelo default-NSA:
Inicia o modelo com 500 detectores, cada um com um raio de 0.06. Em seguida, apresenta o resultado da acurácia da previsão.
from sklearn.metrics import confusion_matrix, classification_report, accuracy_score
# Iniciando a classe.
model = RNSA(N=500, r=0.06, seed=123)
# Efetuando o treinamento:
model.fit(X=train_x, y=train_y)
# Efetuando a previsão:
prev_y = model.predict(test_x)
# Mostrando a acurácia das previsões para os dados reais.
print(f"The accuracy is {accuracy_score(prev_y, test_y)}")
print(classification_report(test_y, prev_y))
Output:
✔ Non-self detectors for classes (0, 1) successfully generated: ┇██████████┇ 1000/1000 detectors
The accuracy is 1.0
precision recall f1-score support
0 1.00 1.00 1.00 55
1 1.00 1.00 1.00 45
accuracy 1.00 100
macro avg 1.00 1.00 1.00 100
weighted avg 1.00 1.00 1.00 100
Plotagem dos detector e amostras:
Testando o modelo V-detector:
Inicia o modelo com 50 detectores, onde o raio mínimo é de 0.05 e o raio próprio das amostras é de 0.04. Em seguida, mostra o resultado da acurácia da previsão.
from sklearn.metrics import confusion_matrix, classification_report, accuracy_score
# Iniciando a classe.
model = RNSA(N=50, r=0.05, algorithm='V-detector', r_s=0.04, seed=1234)
# Efetuando o treinamento:
model.fit(X=train_x, y=train_y)
# Efetuando a previsão:
prev_y = model.predict(test_x)
# Mostrando a acurácia das previsões para os dados reais.
print(f"A acuracia é {accuracy_score(prev, test_y)}")
print(classification_report(test_y, prev))
Output:
✔ Non-self detectors for classes (0, 1) successfully generated: ┇██████████┇ 100/100 detectors
A acuracia é 1.0
precision recall f1-score support
0 1.00 1.00 1.00 48
1 1.00 1.00 1.00 52
accuracy 1.00 100
macro avg 1.00 1.00 1.00 100
weighted avg 1.00 1.00 1.00 100
Plotagem dos detector e amostras:
