Pular para o conteúdo principal

BNSA (Algoritmo de Seleção Negativa Binária).

A classe BNSA tem a finalidade de classificação e identificação de anomalias através do método self e not self . 

class BNSA(
  self, 
  N: int = 100, 
  aff_thresh: float = 0.1, 
  max_discards: int = 1000, 
  seed: int = None,
  no_label_sample_selection: Literal["max_average_difference", "max_nearest_difference"] = "max_average_difference"
)

Attributes:

  • N (int): Quantidade de detectores. Defaults to 100.

  • aff_thresh (float): A variável ('affinity threshold') representa a porcentagem de não similaridade entre a célula T e as amostras próprias. O valor padrão é de 10% (0,1), enquanto que o valor de 1,0 representa 100% de não similaridade.

    observação

    Definir uma porcentagem de diferença muito alta pode resultar na incapacidade de gerar detectores para não-próprio.

  • max_discards (int): Este parâmetro indica o número máximo de descartes de detectores em sequência, que tem como objetivo evitar um possível loop infinito caso seja definido um raio que não seja possível gerar detectores do não-próprio. Defaults to 1000.

  • seed (int): Semente para a geração randômica dos valores nos detectores. Defaults to None.

  • no_label_sample_selection (str): Método para a seleção de rótulos para amostras designadas como não pertencentes por todos os detectores não pertencentes. Tipos de métodos disponíveis:

    • (max_average_difference): Seleciona a classe com a maior diferença média entre os detectores.
    • (max_nearest_difference): Seleciona a classe com a maior diferença entre o detector mais próximo e mais distante da amostra.

Outras variáveis iniciadas:

  • detectors (dict): Esta variável armazena uma lista de detectores por classe.

  • classes (npt.NDArray): lista de classes de saída.

Função fit(...)​

A função fit(...) gera os detectores para os não próprios com relação às amostras:

def fit(self, X: npt.NDArray, y: npt.NDArray):

Nela é realizado o treinamento de acordo com X e y, usando o método de seleção negativa(NegativeSelect).

Os parâmetros de entrada são:

  • X: array com as características das amostras com N amostras (linhas) e N características (colunas), normalizados para valores entre [0, 1].
  • y: array com as classes de saídas disposto em N amostras que são relacionadas ao X.
  • verbose: boolean com valor padrão True, determina se o feedback da geração dos detectores será impresso.

Retorna a instância da classe.

Função predict(...)​

A função predict(...) realiza a previsão das classes utilizando os detectores gerados:

def predict(self, X: npt.NDArray) -> npt.NDArray:

O parâmetro de entrada:

  • X: array com as características para a previsão, com N amostras (Linhas) e N colunas.

Retorna:

  • C: Um array de previsão com as classes de saída para as características informadas.
  • None: se não houver detectores.

Função score(...)​

A função "score(...)" calcula a precisão do modelo treinado por meio da realização de previsões e do cálculo da acurácia.

def score(self, X: npt.NDArray, y: list) -> float:

retorna a acurácia, do tipo float.

Métodos privados​

Função __slice_index_list_by_class(...)​

A função __slice_index_list_by_class(...), separa os índices das linhas conforme a classe de saída, para percorrer o array de amostra, apenas nas posições que a saída for a classe que está sendo treinada:

def __slice_index_list_by_class(self, y: npt.NDArray) -> dict:

Retorna um dicionario com as classes como chave e os índices em X das amostras.