Line data    Source code

       1              : // ***************************************************************
       2              : // SPDX-FileCopyrightText: Copyright 2024 Ricardo Montañana Gómez
       3              : // SPDX-FileType: SOURCE
       4              : // SPDX-License-Identifier: MIT
       5              : // ***************************************************************
       6              : 
       7              : #include "AODELd.h"
       8              : 
       9              : namespace bayesnet {
      10           68 :     AODELd::AODELd(bool predict_voting) : Ensemble(predict_voting), Proposal(dataset, features, className)
      11              :     {
      12           68 :     }
      13           20 :     AODELd& AODELd::fit(torch::Tensor& X_, torch::Tensor& y_, const std::vector<std::string>& features_, const std::string& className_, map<std::string, std::vector<int>>& states_)
      14              :     {
      15           20 :         checkInput(X_, y_);
      16           20 :         features = features_;
      17           20 :         className = className_;
      18           20 :         Xf = X_;
      19           20 :         y = y_;
      20              :         // Fills std::vectors Xv & yv with the data from tensors X_ (discretized) & y
      21           20 :         states = fit_local_discretization(y);
      22              :         // We have discretized the input data
      23              :         // 1st we need to fit the model to build the normal TAN structure, TAN::fit initializes the base Bayesian network
      24           20 :         Ensemble::fit(dataset, features, className, states);
      25           20 :         return *this;
      26              : 
      27              :     }
      28           20 :     void AODELd::buildModel(const torch::Tensor& weights)
      29              :     {
      30           20 :         models.clear();
      31          168 :         for (int i = 0; i < features.size(); ++i) {
      32          148 :             models.push_back(std::make_unique<SPODELd>(i));
      33              :         }
      34           20 :         n_models = models.size();
      35           20 :         significanceModels = std::vector<double>(n_models, 1.0);
      36           20 :     }
      37           20 :     void AODELd::trainModel(const torch::Tensor& weights)
      38              :     {
      39          168 :         for (const auto& model : models) {
      40          148 :             model->fit(Xf, y, features, className, states);
      41              :         }
      42           20 :     }
      43            4 :     std::vector<std::string> AODELd::graph(const std::string& name) const
      44              :     {
      45            4 :         return Ensemble::graph(name);
      46              :     }
      47              : }