example_perceptron_evaluate.cpp

Programa para el testeo de las funciones.Para compilar o código example_perceptron_evaluate.cpp:

g++ -static -o example_perceptron_evaluate example_perceptron_evaluate.cpp -lpdsmlmm 

Para executar o programa:

./example_perceptron_evaluate

Retornando por consola:

Elapsed time: 1.862 ms

Neurona:
-0.055853392180644      4.545875006622  4.5637016611478

Training:
╔═══════════════════════════════════╗
║    ClassificationMetrics data     ║
╠═══════════════════════════════════╣
║        Threshold: 0.5             ║
║          Samples: 2400            ║
╠═══════════════════════════════════╣
║ Pred.[0]/Act.[*]: 1229    12      ║
║ Pred.[1]/Act.[*]: 0       1159    ║
╠═══════════════════════════════════╣
║         Accuracy: 99.5  %         ║
║        Precision: 100   %         ║
║           Recall: 98.98 %         ║
╠═══════════════════════════════════╣
║           FScore: 99.48 %         ║
╚═══════════════════════════════════╝

Cross-validation:
╔═══════════════════════════════════╗
║    ClassificationMetrics data     ║
╠═══════════════════════════════════╣
║        Threshold: 0.49            ║
║          Samples: 800             ║
╠═══════════════════════════════════╣
║ Pred.[0]/Act.[*]: 389     0       ║
║ Pred.[1]/Act.[*]: 0       411     ║
╠═══════════════════════════════════╣
║         Accuracy: 100   %         ║
║        Precision: 100   %         ║
║           Recall: 100   %         ║
╠═══════════════════════════════════╣
║           FScore: 100   %         ║
╚═══════════════════════════════════╝
Elapsed time: 20.41 ms

Testing:
╔═══════════════════════════════════╗
║    ClassificationMetrics data     ║
╠═══════════════════════════════════╣
║        Threshold: 0.49            ║
║          Samples: 800             ║
╠═══════════════════════════════════╣
║ Pred.[0]/Act.[*]: 382     0       ║
║ Pred.[1]/Act.[*]: 0       418     ║
╠═══════════════════════════════════╣
║         Accuracy: 100   %         ║
║        Precision: 100   %         ║
║           Recall: 100   %         ║
╠═══════════════════════════════════╣
║           FScore: 100   %         ║
╚═══════════════════════════════════╝

Clasification - training

Clasification - testing

Código example_perceptron_evaluate.cpp:

 
#include <iostream>
#include <Pds/Ra>
#include <Pds/Ml>
 
    
int main(void)
{
    Pds::IterationConf Conf; Conf.SetMaxIter(1000); Conf.Show=true;
    Pds::ClassificationMetrics Metrics;
    Pds::Vector Yp;
    
    // Generating data
    unsigned int L=2000;
    Pds::Matrix X;
    Pds::Vector Y;
    Pds::DataSet::Classification::LoadDataLine(L,X,Y);
 
    // Split data set in {Training,Cross-validation,Test}
    Pds::DataSetBlock Dat=Pds::DataSet::Split(X,Y,6,2,2);
    
    // Create Perceptron
    Pds::Ra::Tic();
    Pds::Perceptron Neurona(Conf,Dat.Xtr,Dat.Ytr);
    Pds::Ra::Toc();
    Pds::Vector W=Neurona.GetW();
    Neurona.Print("\nNeurona:\n");
    
    // Evaluate training
    Yp=Neurona.Evaluate(Dat.Xtr);
    Metrics = Pds::ClassificationMetrics::Calculate(0.5,Yp,Dat.Ytr);
    Metrics.Print("\nTraining:\n");
    
    Pds::Octave::XLabel="x_1";
    Pds::Octave::YLabel="x_2";
    Pds::Octave::Plot::PointsX2DYW(Dat.Xtr,Dat.Ytr,W,"testando.m","example_perceptron_evaluate_training.png");
 
    // Evaluate cross-validation
    Yp=Neurona.Evaluate(Dat.Xcv);
    Pds::Ra::Tic();
    Metrics = Pds::ClassificationMetrics::Optimal(Yp,Dat.Ycv);
    Metrics.Print("\nCross-validation:\n");
    Pds::Ra::Toc();
    
    // Evaluate testing data
    Yp=Neurona.Evaluate(Dat.Xtt);
    Metrics = Pds::ClassificationMetrics::Calculate(Metrics.Threshold,Yp,Dat.Ytt);
    Metrics.Print("\nTesting:\n");
    
    Pds::Octave::Plot::PointsX2DYW(Dat.Xtt,Dat.Ytt,W,"testando.m","example_perceptron_evaluate_testing.png");
    
    return 0;
}