//// ورودی این متد بایستی نقاط تمیز شده باشد
//public static LogisticGeometrySimplificationTrainingData GenerateTrainingData<T>(
// List<T> originalPoints,
// List<T> simplifiedPoints,
// //int zoomLevel,
// Func<IPoint, IPoint> toScreenMap,
// bool isRingMode) where T : IPoint
//{
// if (originalPoints.IsNullOrEmpty() || simplifiedPoints.IsNullOrEmpty())
// {
// return new LogisticGeometrySimplificationTrainingData();
// }
// List<LogisticGeometrySimplificationParameters> parameters = new List<LogisticGeometrySimplificationParameters>();
// // ایجاد رکوردهای مثبت برای فایل ساده شده
// for (int i = 0; i < simplifiedPoints.Count - 2; i++)
// {
// parameters.Add(new LogisticGeometrySimplificationParameters(simplifiedPoints[i], simplifiedPoints[i + 1], simplifiedPoints[i + 2], /*zoomLevel,*/ toScreenMap)
// {
// IsRetained = true
// });
// }
// // تعیین ارتباط بین اندکس نقطه در لیست
// // اصلی و اندکس نقطه در لیست ساده شده
// Dictionary<int, int> indexMap = new Dictionary<int, int>();
// for (int simplifiedIndex = 0; simplifiedIndex < simplifiedPoints.Count; simplifiedIndex++)
// {
// var currentPoint = simplifiedPoints[simplifiedIndex];
// for (int originalIndex = simplifiedIndex; originalIndex < originalPoints.Count; originalIndex++)
// {
// if (currentPoint.X == originalPoints[originalIndex].X && currentPoint.Y == originalPoints[originalIndex].Y)
// {
// indexMap.Add(simplifiedIndex, originalIndex);
// break;
// }
// }
// }
// // ایجاد رکوردهای منفی برای فایل اصلی
// // پیمایش نقاط میانی و یافتن نقاط مانده
// // ابتدا و انتها
// // 1400.03.09
// // در حالت چندضلعی از نقاط ابتدا و انتهای
// // حذف شده در این جا چشم پوشی شده
// for (int i = 1; i < originalPoints.Count - 1; i++)
// {
// if (indexMap.ContainsValue(i))
// continue;
// // 1400.03.05
// // در حال چند رینگ ممکنه نقاط ابتدایی هم حذف
// // شوند این برخلاف حالت خط هست که همیشه
// // نقطه اول و اخر رو نگه می داریم
// var prevPoints = indexMap.Where(index => index.Value < i);
// KeyValuePair<int, int> prevRetainedPoint;
// if (isRingMode && prevPoints.IsNullOrEmpty())
// {
// prevRetainedPoint = indexMap.Last();
// }
// else
// {
// //prevRetainedPoint = indexMap.Where(index => index.Value < i).Last();
// prevRetainedPoint = prevPoints.Last();
// }
// //var prevRetainedPoint = indexMap.Where(index => index.Value < i).Last();
// //var nextRetainedPoint = indexMap.First(index => index.Value > i);
// var nextPoints = indexMap.Where(index => index.Value > i);
// KeyValuePair<int, int> nextRetainedPoint;
// if (isRingMode && nextPoints.IsNullOrEmpty())
// {
// nextRetainedPoint = indexMap.First();
// }
// else
// {
// //nextRetainedPoint = indexMap.First(index => index.Value > i);
// nextRetainedPoint = indexMap.First(index => index.Value > i);
// }
// parameters.Add(new LogisticGeometrySimplificationParameters(
// originalPoints[prevRetainedPoint.Value],
// originalPoints[i],
// originalPoints[nextRetainedPoint.Value],
// //zoomLevel,
// toScreenMap)
// {
// IsRetained = false
// });
// }
// return new LogisticGeometrySimplificationTrainingData() { Records = parameters };
//}
private bool?IsRetained(LogisticGeometrySimplificationParameters <T> parameters)
{
// 1400.03.20
//List<double> xValues = new List<double>
//{
// //1,
// //parameters.ZoomLevel,
// parameters.SemiDistanceToNext,
// parameters.SemiDistanceToPrevious,
// //parameters.SemiVerticalDistance,
// parameters.SemiArea,
// parameters.SquareCosineOfAngle,
// //parameters.CosineOfAngle
//};
List <double> xValues = parameters.FeatureValues;
var result = _regression.Predict(xValues);
if (result.HasValue)
{
if (result.Value > 1 || result.Value < 0)
{
}
//return Math.Round(result.Value) == 1;
return(result.Value > 0.5);
}
else
{
return(null);
}
}
/// <summary>
/// Check that the model is able to fit the classification data
/// </summary>
private void check_predictions(LogisticRegression<int> clf, Matrix<double> X, int[] y)
{
int nSamples = y.Length;
int[] classes = y.Distinct().OrderBy(v => v).ToArray();
int nClasses = classes.Length;
clf.Fit(X, y);
var predicted = clf.Predict(X);
Assert.IsTrue(classes.SequenceEqual(clf.Classes));
Assert.AreEqual(nSamples, predicted.Length);
Assert.IsTrue(y.SequenceEqual(predicted));
Matrix<double> probabilities = clf.PredictProba(X);
Assert.AreEqual(Tuple.Create(nSamples, nClasses), probabilities.Shape());
Assert.IsTrue(probabilities.SumOfEveryRow().AlmostEquals(DenseVector.Create(probabilities.RowCount, i => 1.0)));
Assert.IsTrue(y.SequenceEqual(probabilities.ArgmaxColumns()));
}
/// <summary>
/// Check that the model is able to fit the classification data
/// </summary>
private void check_predictions(LogisticRegression <int> clf, Matrix <double> X, int[] y)
{
int nSamples = y.Length;
int[] classes = y.Distinct().OrderBy(v => v).ToArray();
int nClasses = classes.Length;
clf.Fit(X, y);
var predicted = clf.Predict(X);
Assert.IsTrue(classes.SequenceEqual(clf.Classes));
Assert.AreEqual(nSamples, predicted.Length);
Assert.IsTrue(y.SequenceEqual(predicted));
Matrix <double> probabilities = clf.PredictProba(X);
Assert.AreEqual(Tuple.Create(nSamples, nClasses), probabilities.Shape());
Assert.IsTrue(probabilities.SumOfEveryRow().AlmostEquals(DenseVector.Create(probabilities.RowCount, i => 1.0)));
Assert.IsTrue(y.SequenceEqual(probabilities.ArgmaxColumns()));
}
public void TestPredictIris()
{
int nSamples = iris.Data.RowCount;
string[] target = iris.Target.Select(v => iris.TargetNames[v]).ToArray();
var clf = new LogisticRegression <string>(c: iris.Data.RowCount);
clf.Fit(iris.Data, target);
Assert.IsTrue(target.Distinct().OrderBy(t => t).SequenceEqual(clf.Classes));
var pred = clf.Predict(iris.Data);
var matchingN = pred.Zip(target, Tuple.Create).Where(t => t.Item1 == t.Item2).Count();
Assert.IsTrue(1.0 * matchingN / pred.Length > 0.95);
var probabilities = clf.PredictProba(iris.Data);
Assert.IsTrue(probabilities.SumOfEveryRow().AlmostEquals(DenseVector.Create(nSamples, i => 1.0)));
pred = probabilities.RowEnumerator().Select(r => iris.TargetNames[r.Item2.MaximumIndex()]).ToArray();
matchingN = pred.Zip(target, Tuple.Create).Where(t => t.Item1 == t.Item2).Count();
Assert.IsTrue(1.0 * matchingN / pred.Length > 0.95);
}
public void TestPredictIris()
{
int nSamples = iris.Data.RowCount;
string[] target = iris.Target.Select(v => iris.TargetNames[v]).ToArray();
var clf = new LogisticRegression<string>(c: iris.Data.RowCount);
clf.Fit(iris.Data, target);
Assert.IsTrue(target.Distinct().OrderBy(t => t).SequenceEqual(clf.Classes));
var pred = clf.Predict(iris.Data);
var matchingN = pred.Zip(target, Tuple.Create).Where(t => t.Item1 == t.Item2).Count();
Assert.IsTrue(1.0*matchingN/pred.Length > 0.95);
var probabilities = clf.PredictProba(iris.Data);
Assert.IsTrue(probabilities.SumOfEveryRow().AlmostEquals(DenseVector.Create(nSamples, i => 1.0)));
pred = probabilities.RowEnumerator().Select(r => iris.TargetNames[r.Item2.MaximumIndex()]).ToArray();
matchingN = pred.Zip(target, Tuple.Create).Where(t => t.Item1 == t.Item2).Count();
Assert.IsTrue(1.0 * matchingN / pred.Length > 0.95);
}
protected override double GetFileEstimation(ProjectFile file)
{
return(regression.Predict(
GetPredictorValuesFor(context.SetFiles(e => e.IdIs(file.ID)))
));
}