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 <sstream>
8 : #include "bayesnet/utils/bayesnetUtils.h"
9 : #include "Classifier.h"
10 :
11 : namespace bayesnet {
12 413 : Classifier::Classifier(Network model) : model(model), m(0), n(0), metrics(Metrics()), fitted(false) {}
13 : const std::string CLASSIFIER_NOT_FITTED = "Classifier has not been fitted";
14 291 : Classifier& Classifier::build(const std::vector<std::string>& features, const std::string& className, std::map<std::string, std::vector<int>>& states, const torch::Tensor& weights)
15 : {
16 291 : this->features = features;
17 291 : this->className = className;
18 291 : this->states = states;
19 291 : m = dataset.size(1);
20 291 : n = features.size();
21 291 : checkFitParameters();
22 283 : auto n_classes = states.at(className).size();
23 283 : metrics = Metrics(dataset, features, className, n_classes);
24 283 : model.initialize();
25 283 : buildModel(weights);
26 283 : trainModel(weights);
27 279 : fitted = true;
28 279 : return *this;
29 : }
30 77 : void Classifier::buildDataset(torch::Tensor& ytmp)
31 : {
32 : try {
33 77 : auto yresized = torch::transpose(ytmp.view({ ytmp.size(0), 1 }), 0, 1);
34 239 : dataset = torch::cat({ dataset, yresized }, 0);
35 77 : }
36 4 : catch (const std::exception& e) {
37 4 : std::stringstream oss;
38 4 : oss << "* Error in X and y dimensions *\n";
39 4 : oss << "X dimensions: " << dataset.sizes() << "\n";
40 4 : oss << "y dimensions: " << ytmp.sizes();
41 4 : throw std::runtime_error(oss.str());
42 8 : }
43 154 : }
44 251 : void Classifier::trainModel(const torch::Tensor& weights)
45 : {
46 251 : model.fit(dataset, weights, features, className, states);
47 251 : }
48 : // X is nxm where n is the number of features and m the number of samples
49 28 : Classifier& Classifier::fit(torch::Tensor& X, torch::Tensor& y, const std::vector<std::string>& features, const std::string& className, std::map<std::string, std::vector<int>>& states)
50 : {
51 28 : dataset = X;
52 28 : buildDataset(y);
53 26 : const torch::Tensor weights = torch::full({ dataset.size(1) }, 1.0 / dataset.size(1), torch::kDouble);
54 44 : return build(features, className, states, weights);
55 26 : }
56 : // X is nxm where n is the number of features and m the number of samples
57 32 : Classifier& Classifier::fit(std::vector<std::vector<int>>& X, std::vector<int>& y, const std::vector<std::string>& features, const std::string& className, std::map<std::string, std::vector<int>>& states)
58 : {
59 32 : dataset = torch::zeros({ static_cast<int>(X.size()), static_cast<int>(X[0].size()) }, torch::kInt32);
60 643 : for (int i = 0; i < X.size(); ++i) {
61 2444 : dataset.index_put_({ i, "..." }, torch::tensor(X[i], torch::kInt32));
62 : }
63 32 : auto ytmp = torch::tensor(y, torch::kInt32);
64 32 : buildDataset(ytmp);
65 30 : const torch::Tensor weights = torch::full({ dataset.size(1) }, 1.0 / dataset.size(1), torch::kDouble);
66 56 : return build(features, className, states, weights);
67 647 : }
68 99 : Classifier& Classifier::fit(torch::Tensor& dataset, const std::vector<std::string>& features, const std::string& className, std::map<std::string, std::vector<int>>& states)
69 : {
70 99 : this->dataset = dataset;
71 99 : const torch::Tensor weights = torch::full({ dataset.size(1) }, 1.0 / dataset.size(1), torch::kDouble);
72 198 : return build(features, className, states, weights);
73 99 : }
74 136 : Classifier& Classifier::fit(torch::Tensor& dataset, const std::vector<std::string>& features, const std::string& className, std::map<std::string, std::vector<int>>& states, const torch::Tensor& weights)
75 : {
76 136 : this->dataset = dataset;
77 136 : return build(features, className, states, weights);
78 : }
79 291 : void Classifier::checkFitParameters()
80 : {
81 291 : if (torch::is_floating_point(dataset)) {
82 2 : throw std::invalid_argument("dataset (X, y) must be of type Integer");
83 : }
84 289 : if (dataset.size(0) - 1 != features.size()) {
85 2 : throw std::invalid_argument("Classifier: X " + std::to_string(dataset.size(0) - 1) + " and features " + std::to_string(features.size()) + " must have the same number of features");
86 : }
87 287 : if (states.find(className) == states.end()) {
88 2 : throw std::invalid_argument("class name not found in states");
89 : }
90 9467 : for (auto feature : features) {
91 9184 : if (states.find(feature) == states.end()) {
92 2 : throw std::invalid_argument("feature [" + feature + "] not found in states");
93 : }
94 9184 : }
95 283 : }
96 245 : torch::Tensor Classifier::predict(torch::Tensor& X)
97 : {
98 245 : if (!fitted) {
99 4 : throw std::logic_error(CLASSIFIER_NOT_FITTED);
100 : }
101 241 : return model.predict(X);
102 : }
103 4 : std::vector<int> Classifier::predict(std::vector<std::vector<int>>& X)
104 : {
105 4 : if (!fitted) {
106 2 : throw std::logic_error(CLASSIFIER_NOT_FITTED);
107 : }
108 2 : auto m_ = X[0].size();
109 2 : auto n_ = X.size();
110 2 : std::vector<std::vector<int>> Xd(n_, std::vector<int>(m_, 0));
111 10 : for (auto i = 0; i < n_; i++) {
112 16 : Xd[i] = std::vector<int>(X[i].begin(), X[i].end());
113 : }
114 2 : auto yp = model.predict(Xd);
115 4 : return yp;
116 2 : }
117 306 : torch::Tensor Classifier::predict_proba(torch::Tensor& X)
118 : {
119 306 : if (!fitted) {
120 2 : throw std::logic_error(CLASSIFIER_NOT_FITTED);
121 : }
122 304 : return model.predict_proba(X);
123 : }
124 67 : std::vector<std::vector<double>> Classifier::predict_proba(std::vector<std::vector<int>>& X)
125 : {
126 67 : if (!fitted) {
127 2 : throw std::logic_error(CLASSIFIER_NOT_FITTED);
128 : }
129 65 : auto m_ = X[0].size();
130 65 : auto n_ = X.size();
131 65 : std::vector<std::vector<int>> Xd(n_, std::vector<int>(m_, 0));
132 : // Convert to nxm vector
133 974 : for (auto i = 0; i < n_; i++) {
134 1818 : Xd[i] = std::vector<int>(X[i].begin(), X[i].end());
135 : }
136 65 : auto yp = model.predict_proba(Xd);
137 130 : return yp;
138 65 : }
139 28 : float Classifier::score(torch::Tensor& X, torch::Tensor& y)
140 : {
141 28 : torch::Tensor y_pred = predict(X);
142 52 : return (y_pred == y).sum().item<float>() / y.size(0);
143 26 : }
144 4 : float Classifier::score(std::vector<std::vector<int>>& X, std::vector<int>& y)
145 : {
146 4 : if (!fitted) {
147 2 : throw std::logic_error(CLASSIFIER_NOT_FITTED);
148 : }
149 2 : return model.score(X, y);
150 : }
151 6 : std::vector<std::string> Classifier::show() const
152 : {
153 6 : return model.show();
154 : }
155 251 : void Classifier::addNodes()
156 : {
157 : // Add all nodes to the network
158 8799 : for (const auto& feature : features) {
159 8548 : model.addNode(feature);
160 : }
161 251 : model.addNode(className);
162 251 : }
163 40 : int Classifier::getNumberOfNodes() const
164 : {
165 : // Features does not include class
166 40 : return fitted ? model.getFeatures().size() : 0;
167 : }
168 40 : int Classifier::getNumberOfEdges() const
169 : {
170 40 : return fitted ? model.getNumEdges() : 0;
171 : }
172 6 : int Classifier::getNumberOfStates() const
173 : {
174 6 : return fitted ? model.getStates() : 0;
175 : }
176 76 : int Classifier::getClassNumStates() const
177 : {
178 76 : return fitted ? model.getClassNumStates() : 0;
179 : }
180 1 : std::vector<std::string> Classifier::topological_order()
181 : {
182 1 : return model.topological_sort();
183 : }
184 1 : std::string Classifier::dump_cpt() const
185 : {
186 1 : return model.dump_cpt();
187 : }
188 19 : void Classifier::setHyperparameters(const nlohmann::json& hyperparameters)
189 : {
190 19 : if (!hyperparameters.empty()) {
191 2 : throw std::invalid_argument("Invalid hyperparameters" + hyperparameters.dump());
192 : }
193 17 : }
194 : }
|
