29 KiB
29 KiB
<html lang="en">
<head>
</head>
</html>
| LCOV - code coverage report | ||||||||||||||||||||||
 | ||||||||||||||||||||||
|
||||||||||||||||||||||
|
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 : } |
|
| Generated by: LCOV version 2.0-1 |
</html>