example_logisticregression_svm.cpp

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

g++ -static -o example_logisticregression_svm example_logisticregression_svm.cpp -lpdsmlmm -lpdsramm -lpdsspmm

Para executar o programa:

./example_logisticregression_svm

Retornando por consola:

W:
0.87571855488965        0.62273771996737        0.38476281677595
┌──────────────────────────────┐
│    SVM                       │
│    IterationConf init data   │
├──────────────────────────────┤
│           Alpha: 0.1         │
│          Lambda: 0           │
│   MinError ΔW/W: 1.0000e-07  │
│         MaxIter: 1000        │
└──────────────────────────────┘
┌──────────────────────────────┐
│            Iter: 1000        │
│           Alpha: 0.001       │
│  LastError ΔW/W: 2.2834e-04  │
│ Cost Func Error: 5.8753e-01  │
└──────────────────────────────┘
┌──────────────────────────────┐
│    SVM                       │
│    IterationConf end data    │
├──────────────────────────────┤
│           Alpha: 0.001       │
│  LastError ΔW/W: 2.2834e-04  │
│        LastIter: 1000        │
└──────────────────────────────┘
W:
0.15017888674738        1.2521817273226 1.1310944900835
Elapsed time: 6.716934 s

Cross validation metrics:
╔═══════════════════════════════════╗
║    ClassificationMetrics data     ║
╠═══════════════════════════════════╣
║        Threshold: 0.53            ║
║          Samples: 2000            ║
╠═══════════════════════════════════╣
║ Pred.[0]/Act.[*]: 940     13      ║
║ Pred.[1]/Act.[*]: 31      1016    ║
╠═══════════════════════════════════╣
║         Accuracy: 97.8  %         ║
║        Precision: 97.04 %         ║
║           Recall: 98.74 %         ║
╠═══════════════════════════════════╣
║           FScore: 97.88 %         ║
╚═══════════════════════════════════╝

Testing metrics:
╔═══════════════════════════════════╗
║    ClassificationMetrics data     ║
╠═══════════════════════════════════╣
║        Threshold: 0.53            ║
║          Samples: 2000            ║
╠═══════════════════════════════════╣
║ Pred.[0]/Act.[*]: 995     12      ║
║ Pred.[1]/Act.[*]: 34      959     ║
╠═══════════════════════════════════╣
║         Accuracy: 97.7  %         ║
║        Precision: 96.58 %         ║
║           Recall: 98.76 %         ║
╠═══════════════════════════════════╣
║           FScore: 97.66 %         ║
╚═══════════════════════════════════╝

Classification - data

Classification - training

Classification - testing

Código example_logisticregression_svm.cpp:

 
#include <iostream>
#include <Pds/Ra>
#include <Pds/Ml>
        
int main(void)
{
    Pds::IterationConf Conf;    
    Conf.Show=true; Conf.SetMinError(1e-06); 
    Conf.SetAlpha(0.1); Conf.SetMaxIter(4000); Conf.SetAlphaSmart(true); 
    Conf.SetLambda(0.1);
    Pds::Vector Yp;
    Pds::ClassificationMetrics Metrics;
        
    // Generating data
    unsigned int L=5000;
    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);
    
    Pds::Octave::XLabel="x_1";
    Pds::Octave::YLabel="x_2";
    Pds::Octave::Plot::PointsX2DY(Dat.Xtr,Dat.Ytr,"testando.m","example_logisticregression_svm_data.png");
    
    // Create W using training data
    Pds::Vector W(X.Ncol()+1);
    W.Set(0,2);W.Set(1,-2);W.Set(2,3);    
    W.T().Print("W:\n");
    
    Pds::Ra::Tic();
    W=Pds::LogisticModel::FittingGradientSVM(Conf,Dat.Xtr,Dat.Ytr,W);
    W.T().Print("W:\n");
    Pds::Ra::Toc();
    
    // Testing W with testing data set
    Yp=Pds::LogisticModel::Classify(W,Dat.Xcv);
    
    // Metrics  
    Metrics = Pds::ClassificationMetrics::Calculate(0.5,Yp,Dat.Ycv);
    Metrics.Print("\nCross validation metrics:\n");
    
    Pds::Octave::Plot::PointsX2DYW( Dat.Xcv,
                                    Dat.Ycv,
                                    W,
                                    "testando.m",
                                    "example_logisticregression_svm_training.png");
    
    // Testing W with testing data set
    Yp=Pds::LogisticModel::Classify(W,Dat.Xtt);
    
    Metrics = Pds::ClassificationMetrics::Calculate(0.5,Yp,Dat.Ytt);
    Metrics.Print("\nTesting metrics:\n");
 
    Pds::Octave::Plot::PointsX2DYW( Dat.Xtt,
                                    Dat.Ytt,
                                    W,
                                    "testando.m",
                                    "example_logisticregression_svm_testing.png");
    
    return 0;
}