-
Notifications
You must be signed in to change notification settings - Fork 0
/
demoMAT.m
280 lines (223 loc) · 7.75 KB
/
demoMAT.m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
%% Demo de uso do código para classificação com SVM
% Autor: Eduardo Luz
%
% ** As matrizes nos arquivos .mat (trainMatrix e testMatrix) estão organizados por linha.
% Cada linha é uma instância e na última coluna se encontra o atributo classe.
%
% ** Obs.: Para usar o svmtrain e o svmpredict da libSVM, é preciso ter os
% arquivos .mexw32 no diretório ou no PATH.
% Atenção : Usar saveMAT(featureFolderName) para gerar as matrizes!!!
%% Carregue os arquivos referentes ao método
fprintf('\nCarregando os arquivos...\n');
load('.\MAT\2007Yu\DS1-train.mat');
load('.\MAT\2007Yu\DS2-valid.mat');
% * ATENÇÃO : As características NÃO estão normalizadas!!! Use a normalização
% que julgar melhor
% normalização 1 : X - mean(X) / std(X)
%[dados1 dados2] = normaliza(dados1, dados2);
% normalização 2 : mapmaxmin - coloca tudo entre -1 e 1 (melhores resultados para SVM!)
[train, scale_factor] = mapminmax(trainMatrix(:,1:end-1)');
test = mapminmax('apply',testMatrix(:,1:end-1)',scale_factor);
trainMatrix(:,1:end-1) = train';
testMatrix(:,1:end-1) = test';
%% utilze algum classificador, por exemplo o SVM
% parâmetros para o SVM
%-s svm_type : set type of SVM (default 0)
% 0 -- C-SVC%
% 1 -- nu-SVC
% 2 -- one-class SVM
% 3 -- epsilon-SVR
% 4 -- nu-SVR
% -t kernel_type : set type of kernel function (default 2)
% 0 -- linear: u'*v
% 1 -- polynomial: (gamma*u'*v + coef0)^degree%
% 2 -- radial basis function: exp(-gamma*|u-v|^2)%
% 3 -- sigmoid: tanh(gamma*u'*v + coef0)
%-d degree : set degree in kernel function (default 3)
%-g gamma : set gamma in kernel function (default 1/num_features)
%-r coef0 : set coef0 in kernel function (default 0)
%-c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)
%-n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)
%-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)
%-m cachesize : set cache memory size in MB (default 100)
%-e epsilon : set tolerance of termination criterion (default 0.001)
%-h shrinking: whether to use the shrinking heuristics, 0 or 1 (default 1)
%-b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)
%-wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1)
%
%The k in the -g option means the number of attributes in the input data.
% Estamos utilizando kernel RBF, estamos usando valores diferentes de C
% para cada classe (-wi weight), on as classes minoritárias estão recebendo
% valores de C maiores...isso significa uma margem menor (modelo menos
% genérico). Os valores dos pesos usados aqui são mais ou menos proporcionais ao número de
% inst6ancias de cada classe.
fprintf('\n Treinando o classificador, aguarde...\n');
C = 0.5;
gamma = 1/(8*size(trainMatrix(:,1:end-1),2));
str = sprintf('-w1 1 -w2 50 -w3 10 -w4 100 -c %d -t 2 -g %f -d 4',C,gamma);
cd('svm')
model = svmtrain(trainMatrix(:,end), trainMatrix(:,1:end-1), str);
cd ..
%% faz a predição e constroi a matriz de confuzão
[predict_label, accuracy, dec_values] = svmpredict(testMatrix(:,end), testMatrix(:,1:end-1), model); % test the training data
cm = confusionmat(testMatrix(:,end),predict_label);
cm
%% Calcula estatíSticas
acc_num=0;
acc_den=0;
den1=0;
den2=0;
num=0;
t=0;
if(size(cm,1)>=1)
t = 1;
num = cm(t,t);
den1 = sum(cm(t,:));
den2 = sum(cm(:,t));
TN = sum(sum(cm(:,:))) - den1 - den2 + cm(t,t);
FP = den2 - cm(t,t);
if(den1~=0)
sensitivityN = (num/den1) * 100;
else
sensitivityN = -1;
end
if(den2~=0)
specificityN = (num/den2) * 100;
else
specificityN = 0;
end
if(TN + FP > 0)
FPR_N = 100*FP/(TN+FP);
else
FPR_N=0;
end
acc_num = acc_num + num;
acc_den = acc_den + den1;
else
sensitivityN = -1;
specificityN = -1;
FPR_N=-1;
end
% caso especial para LD classifier
%size(cm,1)==5
if(size(cm,1)>=2)
t = 2;
num = cm(t,t);
den1 = sum(cm(t,:));
den2 = sum(cm(:,t));
TN = sum(sum(cm(:,:))) - den1 - den2 + cm(t,t);
FP = den2 - cm(t,t);
if(den1~=0)
sensitivitySVEB = (num/den1) * 100;
else
sensitivitySVEB = -1;
end
if(den2~=0)
specificitySVEB = (num/den2) * 100;
else
specificitySVEB = -1;
end
if(TN + FP > 0)
FPR_SVEB = 100*FP/(TN+FP);
else
FPR_SVEB=-1;
end
acc_num = acc_num + num;
acc_den = acc_den + den1;
else
sensitivitySVEB = -1;
specificitySVEB = -1;
FPR_SVEB=-1;
end
if(size(cm,1)>=3)
t = 3;
num = cm(t,t);
den1 = sum(cm(t,:));
den2 = sum(cm(:,t));
TN = sum(sum(cm(:,:))) - den1 - den2 + cm(t,t);
FP = den2 - cm(t,t);
if(den1~=0)
sensitivityVEB = (num/den1) * 100;
else
sensitivityVEB = -1;
end
if(den2~=0)
specificityVEB = (num/den2) * 100;
else
specificityVEB = -1;
end
if(TN + FP > 0)
FPR_VEB = 100*FP/(TN+FP);
else
FPR_VEB=-1;
end
acc_num = acc_num + num;
acc_den = acc_den + den1;
else
sensitivityVEB = -1;
specificityVEB = -1;
FPR_VEB=-1;
end
if(size(cm,1)>=4)
t = 4;
num = cm(t,t);
den1 = sum(cm(t,:));
den2 = sum(cm(:,t));
TN = sum(sum(cm(:,:))) - den1 - den2 + cm(t,t);
FP = den2 - cm(t,t);
if(den1~=0)
sensitivityF = (num/den1) * 100;
else
sensitivityF = -1;
end
if(den2~=0)
specificityF = (num/den2) * 100;
else
specificityF = -1;
end
if(TN + FP > 0)
FPR_F = 100*FP/(TN+FP);
else
FPR_F=-1;
end
acc_num = acc_num + num;
acc_den = acc_den + den1;
else
sensitivityF = -1;
specificityF = -1;
FPR_F=-1;
end
if(size(cm,1)>=5)
t = 5;
num = cm(t,t);
den1 = sum(cm(t,:));
den2 = sum(cm(:,t));
TN = sum(sum(cm(:,:))) - den1 - den2 + cm(t,t);
FP = den2 - cm(t,t);
if(den1~=0)
sensitivityQ = (num/den1) * 100;
else
sensitivityQ = -1;
end
if(den2~=0)
specificityQ = (num/den2) * 100;
else
specificityQ = -1;
end
if(TN + FP > 0)
FPR_Q = 100*FP/(TN+FP);
else
FPR_Q=-1;
end
acc_num = acc_num + num;
acc_den = acc_den + den1;
else
sensitivityQ = -1;
specificityQ = -1;
FPR_Q=-1;
end
fprintf('\n---- RESULTADO -----\n');
fprintf('Teste em DS2 | Acc = %6.1f | N = %6.1f/%6.1f/%6.1f | SVEB = %6.1f/%6.1f/%6.1f | VEB = %6.1f/%6.1f/%6.1f & F = %6.1f/%6.1f/%6.1f \n',...
100*acc_num/acc_den, sensitivityN,specificityN,FPR_N,sensitivitySVEB,specificitySVEB,FPR_SVEB,sensitivityVEB,specificityVEB,FPR_VEB,...
sensitivityF,specificityF,FPR_F);
fprintf('\n');