/// <summary>
/// Parcours un arbre jusqu'à récupérer la catégorie prédite
/// </summary>
/// <param name="node">Noeud à évaluer</param>
/// <param name="data">Tableau à prédire</param>
/// <returns>Catégorie prédite pour ce tableau</returns>
protected String getCategoryFromTree(RandomForestNode node, double[] data)
{
if (node.category != null)
{
return(node.category);
}
double f = getCosineSimilarity(data, node.classifier, node.paramThreshold);
if (f > node.threshold) // = ?
{
return(getCategoryFromTree(node.left, data));
}
else
{
return(getCategoryFromTree(node.right, data));
}
}
protected void makeLeftAndRightNodes(RandomForestNode node, int[] samplesIndexesInLearning)
{
//On sépare l'échantillon en deux
byte[] indicator = splitSample(node, samplesIndexesInLearning);
//On récupère l'échantillon séparé dans des tableaux left et right
int nLeftVectors = 0;
foreach (byte b in indicator)
{
if (b > 0)
{
++nLeftVectors;
}
}
int[] left = new int[nLeftVectors];
int[] right = new int[indicator.Length - nLeftVectors];
int cntL = 0;
int cntR = 0;
int cnt = 0;
foreach (byte b in indicator)
{
if (b > 0)
{
left[cntL++] = samplesIndexesInLearning[cnt];
}
else
{
right[cntR++] = samplesIndexesInLearning[cnt];
}
++cnt;
}
//On affecte les tableaux au noeud actuel après en avoir fait des noeuds
node.left = nodeFactory(left);
node.right = nodeFactory(right);
//Si les nouveaux noeuds ne sont pas des feuilles, on leur crée leurs neouds gauche et droite par récursivité
if (node.left.category == null)
{
makeLeftAndRightNodes(node.left, left);
}
if (node.right.category == null)
{
makeLeftAndRightNodes(node.right, right);
}
}
protected byte[] splitSample(RandomForestNode node, int[] samplesIndexesInLearning)
{
byte[] indicator = new byte[samplesIndexesInLearning.Length];
int cnt = 0;
foreach (int x in samplesIndexesInLearning)
{
double f = getCosineSimilarity(this._learning[x], node.classifier, node.paramThreshold);
indicator[cnt] = (byte)((f >= node.threshold) ? 1 : 0);
++cnt;
}
bool isAllZeros = true;
for (int i = 0; i < samplesIndexesInLearning.Length; ++i)
{
if (indicator[i] != 0)
{
isAllZeros = false;
break;
}
}
if (isAllZeros == true)
{
indicator[0] = 1;
}
bool isAllOnes = true;
for (int i = 0; i < samplesIndexesInLearning.Length; ++i)
{
if (indicator[i] == 0)
{
isAllOnes = false;
break;
}
}
if (isAllOnes == true)
{
indicator[0] = 0;
}
return(indicator);
}
//Calcule le threshold d'un noeud en faisant la moyenne des similarités cosinus min et max
protected double getThreshold(int[] samplesIndexesInLearning, RandomForestNode n)
{
double fmin = 1000.0;
double fmax = -1.0;
foreach (int x in samplesIndexesInLearning)
{
double f = getCosineSimilarity(this._learning[x], n.classifier, n.paramThreshold);
if (f < fmin)
{
fmin = f;
}
if (f > fmax)
{
fmax = f;
}
}
return((fmax + fmin) / 2.0);
}
protected void populateForest(int forestSize, double[,] samples)
{
_EventsWorkerCompleted.Clear();
//On trouve combien de thread créer
int nbThreads = 8;
for (int t = 0; t < nbThreads; t++)
{
_EventsWorkerCompleted.Add(new System.Threading.AutoResetEvent(false));
int thread = t;
Task.Run(() =>
{
int nThread = thread;
List <RandomForestNode> trees = new List <RandomForestNode>();
for (int i = 0; i < forestSize / nbThreads; i++)
{
RandomForestNode result = createTree(samples);
trees.Add(result);
OnTreeCreated(EventArgs.Empty);
}
lock (_forest)
_forest.AddRange(trees);
_EventsWorkerCompleted[nThread].Set();
});
}
foreach (var eventWait in _EventsWorkerCompleted)
{
eventWait.WaitOne();
}
//On ajoute les arbres manquants
List <RandomForestNode> treesa = new List <RandomForestNode>();
int manquants = forestSize - this._forest.Count;
for (int i = 0; i < manquants; i++)
{
treesa.Add(createTree(samples));
OnTreeCreated(EventArgs.Empty);
}
lock (_forest)
_forest.AddRange(treesa);
}
protected RandomForestNode nodeFactory(int[] samplesIndexesInLearning)
{
//On crée un objet node
RandomForestNode node = new RandomForestNode();
//Si il n'y a qu'un echantillon, on est sur une leaf
if (samplesIndexesInLearning.Length == 1)
{
node.category = _learningCategories[(int)samplesIndexesInLearning[0]];
}
else //Sinon, on crée la condition
{
//On tire les paramètres aléatoires parmis tous les paramètres
List <int> param = new List <int>();
param.Clear();
int cnt = 0;
do
{
int randomInt;
lock (syncLock)
{
randomInt = this._randomGenerator.Next(_nParameters);
}
if (!param.Contains(randomInt))
{
cnt++;
param.Add(randomInt);
}
} while (cnt < _numberRandomParameters);
//Ces paramètres aléatoires serviront à calculer le treshold
node.paramThreshold = param;
//On crée le classifier
node.classifier = makeClassifier(samplesIndexesInLearning);
//On calcule le threshold
node.threshold = getThreshold(samplesIndexesInLearning, node);
}
return(node);
}
protected RandomForestNode createTree(double[,] samples)
{
//On récupère les index dans le tableau _learning des _tailleDeSousEchantillonAleatoire échantillons tirés aléatoirement
int[] randomSamplesIndexesOutOfTraining = this.getRandomSamplesOutOfTrainingSet(_learning.GetLength(0), _tailleDeSousEchantillonAleatoire);
//On récupère une liste numérotée de 0 à _nParameters
List <int> param = new List <int>();
for (int j = 0; j < this._nParameters; j++)
{
param.Add(j);
}
//On crée un noeud à partir des échantillons aléatoires via la factory
RandomForestNode node = this.nodeFactory(randomSamplesIndexesOutOfTraining);
//Si on n'est pas arrivé sur une feuille de l'arbre
if (node.category == null)
{
//On crée les branches droites et gauche du noeud
this.makeLeftAndRightNodes(node, randomSamplesIndexesOutOfTraining);
}
//On retourne le noeud
return(node);
}
