private static void UseModelWithSingleItem(MLContext mlContext, ITransformer model)
{
//PredictionEngine<SentimentData, SentimentPrediction> predictionFunction = model.CreatePredictionEngine<SentimentData, SentimentPrediction>(mlContext);
PredictionEngine <TrabajoPlanificadoPropuestaData, TrabajoPlanificadoPrediction> predictionFunction = model.CreatePredictionEngine <TrabajoPlanificadoPropuestaData, TrabajoPlanificadoPrediction>(mlContext);
TrabajoPlanificadoPropuestaData sampleStatement = new TrabajoPlanificadoPropuestaData();
var resultprediction = predictionFunction.Predict(sampleStatement);
Console.WriteLine();
Console.WriteLine("=============== Prediction Test of model with a single sample and test dataset ===============");
Console.WriteLine();
//Console.WriteLine($"Sentiment: {sampleStatement.SentimentText} | Prediction: {(Convert.ToBoolean(resultprediction.Prediction) ? "Positive" : "Negative")} | Probability: {resultprediction.Probability} ");
Console.WriteLine("=============== End of Predictions ===============");
Console.WriteLine();
}
public static TrainCatalogBase.TrainTestData LoadData(MLContext mlContext)
{
//IDataView dataView = mlContext.Data.LoadFromTextFile<SentimentData>(_dataPath, hasHeader: false);
//TrainCatalogBase.TrainTestData splitDataView = mlContext.BinaryClassification.TrainTestSplit(dataView, testFraction: 0.2);
var database = client.GetDatabase("Energy");
//var collectionTP = database.GetCollection<BsonDocument>("Resultado.TrabajosPlanificadosPropuestas");
var collection = database.GetCollection <TrabajoPlanificadoMongo>("TrabajoPlanificado");
var documents = collection.Find <TrabajoPlanificadoMongo>(new BsonDocument()).ToList();
var TPdata = new List <TrabajoPlanificadoPropuestaData>();
int vcount = 0;
//TrabajoPlanificado
foreach (var document in documents)
{
var rowSet = new List <TrabajoPlanificadoPropuestaData>();
var row = new TrabajoPlanificadoPropuestaData();
bool hasValorable = false;
//Resultado.Propuestas
foreach (var propuesta in document.Resultado.TrabajosPlanificadosPropuestas)
{
//Horas por Propuesta
for (DateTime i = propuesta.FechaHoraInicio; i < propuesta.FechaHoraFin; i = i.AddHours(1))
{
decimal value = 0;
if (document.Resultado.PrevisionPreciosPorFechaHora.TryGetValue(i, out value))
{
row.PrevisionPreciosPorFechaHora += (float)value;
}
else
{
row.PrevisionPreciosPorFechaHora += (float)value;
}
document.Resultado.CostesOperacionPorFechaHora.TryGetValue(i, out value);
row.CostesOperacionPorFechaHora += (float)value;
document.Resultado.PrevisionProduccionPorFechaHora.TryGetValue(i, out value);
row.PrevisionProduccionPorFechaHora += (float)value;
document.Resultado.RetribucionesPorFechaHora.TryGetValue(i, out value);
row.RetribucionesPorFechaHora += (float)value;
}
row.Valorable = propuesta.Valorable;
if (propuesta.Valorable)
{
hasValorable = true;
vcount++;
}
rowSet.Add(row);
}
//Idea: Dont add propuestas that have time ranges out of the range of the measurements
//Idea: Only add propuestas that have a valorable member in their result set.
//Idea: because each instalation has different predictors available, train a different model per instalation
if (hasValorable)
{
TPdata = TPdata.Concat(rowSet).ToList();
}
}
IDataView dataView = mlContext.Data.LoadFromEnumerable(TPdata);
Console.WriteLine("PropuestaSets with valorable menbers: {0}", TPdata.Count());
Console.WriteLine("Propuestas of valorable label: {0}", vcount);
TrainCatalogBase.TrainTestData splitDataView = mlContext.BinaryClassification.TrainTestSplit(dataView, testFraction: 0.25);
return(splitDataView);
}
