void FixModelInputs()
{
if (modelInputs != null)
{
return;
}
modelInputs = new Dictionary <Type, ModelInput>();
for (int i = 0; i < modelInputsData.Length; i++)
{
ModelInput m = modelInputsData[i] = ModelInput.RecreateRealModel(modelInputsData[i]);
modelInputs.Add(m.GetType(), m);
}
}
public BeatObjectData Clone()
{
BeatObjectData other = new BeatObjectData
{
objectTag = objectTag,
id = SerializableGuid.NewGuid(),
modelInputsData = ModelInput.CloneInputs(modelInputsData)
};
other.modelInputs = new Dictionary <Type, ModelInput>();
for (int i = 0; i < other.modelInputsData.Length; i++)
{
ModelInput m = other.modelInputsData[i];
other.modelInputs.Add(m.GetType(), m);
}
return(other);
}
public void RealTest()
{
var allData = _traningData.ffts;
int AntalFaktiskRaskTot = 0;
int AntalPosRask = 0;
int AntalFaslkSyge = 0;
int AntalFaktiskeSygeTot = 0;
int AntalFalskRask = 0;
int AntalPosSyge = 0;
int x = 0;
string DelResult = "";
Console.WriteLine("Du kan først bruge denne metode når du har lavet en ML lokalt!!!");
{
foreach (double[] data in allData)
{
var input = new ModelInput();
int i = 1;
var props = input.GetType().GetProperties();
foreach (PropertyInfo propertyInfo in props)
{
float floatpoint;
if (i >= data.Length)
{
break;
floatpoint = 0;
}
else
{
floatpoint = (float)data[i];
}
PropertySetLooping(input, props[i].Name, floatpoint);
//propertyInfo.SetValue(props[i].GetType(),data[i] );
// do stuff here
i++;
}
// Load model and predict output of sample data
var predictionResult = ConsumeModel.Predict(input);
//Console.WriteLine("======================NEW======================");
//Console.WriteLine("Using model to make single prediction -- Comparing actual Col0 with predicted Col0 from sample data...");
//Console.WriteLine($"Dine data var dette filnavn: {createTrainData.filer[x]}");
//Console.WriteLine($"\n\nPredicted Col0 value {predictionResult.Prediction} \nPredicted Col0 scores: [{String.Join(",", predictionResult.Score)}]\n\n");
//Console.WriteLine("=============== End of process, hit any key to finish ===============");
string udskrift = "======================NEW======================\n";
if (_traningData.filer[x][rootFolder.Length] == 'N') //Faktisk rask
{
udskrift += "Faktisk Rask";
AntalFaktiskRaskTot++;
if (Convert.ToInt32(predictionResult.Prediction) == 0) //Detekteret rask
{
udskrift += "\nDetekteret Rask :\t00";
AntalPosRask++;
}
else //Detekteret syg
{
udskrift += "\nDetekteret Syg :\t01";
AntalFaslkSyge++;
}
}
else //Faktisk Syg
{
udskrift += "Faktisk Syg";
AntalFaktiskeSygeTot++;
if (Convert.ToInt32(predictionResult.Prediction) == 1) //Detekteret Syg
{
udskrift += "\nDetekteret Syg :\t11";
AntalPosSyge++;
}
else //Detekteret rask
{
udskrift += "\nDetekteret Rask :\t10";
AntalFalskRask++;
}
}
int længde = rootFolder.Length;
udskrift += "\n" + _traningData.filer[x].Substring(længde) + "\n\n";
Console.WriteLine(udskrift);
DelResult += udskrift + "\n";
//Console.WriteLine("____________END_____________");
// Console.ReadKey();
x++;
}
string udskriftResult = "";
float procentRigtigRask =
MathF.Round((float)(((double)AntalPosRask / (double)AntalFaktiskRaskTot) * (double)100), 2);
float procentRigtigSyge =
MathF.Round((float)(((double)AntalPosSyge / (double)AntalFaktiskeSygeTot) * (double)100), 2);
string dateTime = "" + DateTime.Now.ToString("D") + "_" + DateTime.Now.ToString("t");
dateTime = dateTime.Trim().Replace(':', '_');
string text = "RealDataTest_" + dateTime + "_.txt";
udskriftResult = text + "\n";
udskriftResult +=
($"Der var {AntalFaktiskRaskTot} som faktisk var Raske, men vi detektere {AntalPosRask}, svarende til {procentRigtigRask}%"
);
udskriftResult +=
($"\nDer var {AntalFaktiskeSygeTot} som faktisk var Syge , men vi detektere {AntalPosSyge}, svarende til {procentRigtigSyge}%\n\n"
);
udskriftResult += "Her efter kommer delresultaterne efter alle målinger\n";
Console.WriteLine(udskriftResult);
udskriftResult += DelResult;
string AllLinePath = Path.Combine(rootFolder, text);
File.WriteAllText(AllLinePath, udskriftResult);
}
}
