source: orange/source/orange/tdidt_split.cpp @ 7993:749d957f99cd

Revision 7993:749d957f99cd, 39.0 KB checked in by janezd <janez.demsar@…>, 3 years ago (diff)

ClassifierFromVar and ClassifierFromVarFD used in the trees now set transformUnknowns to false (fixed a problem introduced in rev 9212 in which the default value of transformUnknowns was changed from false to true)

Line 
1/*
2    This file is part of Orange.
3   
4    Copyright 1996-2010 Faculty of Computer and Information Science, University of Ljubljana
5    Contact: janez.demsar@fri.uni-lj.si
6
7    Orange is free software: you can redistribute it and/or modify
8    it under the terms of the GNU General Public License as published by
9    the Free Software Foundation, either version 3 of the License, or
10    (at your option) any later version.
11
12    Orange is distributed in the hope that it will be useful,
13    but WITHOUT ANY WARRANTY; without even the implied warranty of
14    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
15    GNU General Public License for more details.
16
17    You should have received a copy of the GNU General Public License
18    along with Orange.  If not, see <http://www.gnu.org/licenses/>.
19*/
20
21
22#include "measures.hpp"
23#include "random.hpp"
24#include "classfromvar.hpp"
25#include "discretize.hpp"
26#include "table.hpp"
27
28#include "boolcnt.hpp"
29#include "tdidt.hpp"
30#include "tdidt_stop.hpp"
31
32#include "tdidt_split.ppp"
33
34
35TTreeSplitConstructor::TTreeSplitConstructor(const float &aml)
36: minSubset(aml>0 ? aml : 1e-20)
37{}
38
39
40
41TTreeSplitConstructor_Measure::TTreeSplitConstructor_Measure(PMeasureAttribute meas, const float &aworst, const float &aml)
42: TTreeSplitConstructor(aml),
43  measure(meas),
44  worstAcceptable(aworst)
45{}
46
47
48
49TTreeSplitConstructor_Combined::TTreeSplitConstructor_Combined(PTreeSplitConstructor discreteSplit, PTreeSplitConstructor continuousSplit, const float &aminSubset)
50: TTreeSplitConstructor(aminSubset),
51  discreteSplitConstructor(discreteSplit),
52  continuousSplitConstructor(continuousSplit)
53{}
54
55
56
57PClassifier TTreeSplitConstructor_Combined::operator()(
58                             PStringList &descriptions, PDiscDistribution &subsetSizes, float &quality, int &spentAttribute,
59
60                             PExampleGenerator gen, const int &weightID ,
61                             PDomainContingency dcont, PDistribution apriorClass,
62                             const vector<bool> &candidates,
63                             PClassifier nodeClassifier
64                            )
65{ checkProperty(discreteSplitConstructor);
66  checkProperty(continuousSplitConstructor);
67
68  vector<bool> discrete, continuous;
69 
70  bool cse = candidates.size()==0;
71  vector<bool>::const_iterator ci(candidates.begin()), ce(candidates.end());
72  TVarList::const_iterator vi(gen->domain->attributes->begin()), ve(gen->domain->attributes->end());
73
74  for(; (cse || (ci!=ce)) && (vi!=ve); vi++) {
75    if (cse || *(ci++))
76      if ((*vi)->varType == TValue::INTVAR) {
77        discrete.push_back(true);
78        continuous.push_back(false);
79        continue;
80      }
81      else if ((*vi)->varType == TValue::FLOATVAR) {
82        discrete.push_back(false);
83        continuous.push_back(true);
84        continue;
85      }
86    discrete.push_back(false);
87    continuous.push_back(false);
88  }
89
90  float discQuality;
91  PStringList discDescriptions;
92  PDiscDistribution discSizes;
93  int discSpent;
94  PClassifier discSplit = discreteSplitConstructor->call(discDescriptions, discSizes, discQuality, discSpent,
95                                                               gen, weightID, dcont, apriorClass, discrete, nodeClassifier);
96
97  float contQuality;
98  PStringList contDescriptions;
99  PDiscDistribution contSizes;
100  int contSpent;
101  PClassifier contSplit = continuousSplitConstructor->call(contDescriptions, contSizes, contQuality, contSpent,
102                                                                 gen, weightID, dcont, apriorClass, continuous, nodeClassifier);
103
104  int N = gen ? gen->numberOfExamples() : -1;
105  if (N<0)
106    N = dcont->classes->cases;
107
108  if (   discSplit
109      && (   !contSplit
110          || (discQuality>contQuality)
111          || (discQuality==contQuality) && (N%2>0))) {
112    quality = discQuality;
113    descriptions = discDescriptions;
114    subsetSizes = discSizes;
115    spentAttribute = discSpent;
116    return discSplit;
117  }
118  else if (contSplit) {
119    quality = contQuality;
120    descriptions = contDescriptions;
121    subsetSizes = contSizes;
122    spentAttribute = contSpent;
123    return contSplit;
124  }
125  else 
126    return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
127}
128
129
130
131TTreeSplitConstructor_Attribute::TTreeSplitConstructor_Attribute(PMeasureAttribute meas, const float &worst, const float &ms)
132: TTreeSplitConstructor_Measure(meas, worst, ms)
133{}
134
135
136// rejects the split if there are less than two non-empty branches
137// or there is a non-empty branch with less then minSubset examples
138bool checkDistribution(const TDiscDistribution &dist, const float &minSubset)
139{
140  int nonzero = 0;
141  for(TDiscDistribution::const_iterator dvi(dist.begin()), dve(dist.end()); dvi!=dve; dvi++)
142    if (*dvi > 0) {
143      if  (*dvi < minSubset)
144        return false;
145      nonzero++;
146    }
147
148  return nonzero >= 2;
149}
150
151
152
153inline bool noCandidates(const vector<bool> &candidates)
154{
155  vector<bool>::const_iterator ci(candidates.begin()), ce(candidates.end());
156  while(ci!=ce && !*ci)
157    ci++;
158  return ci==ce;
159}
160
161PClassifier TTreeSplitConstructor_Attribute::operator()(
162                             PStringList &descriptions, PDiscDistribution &subsetSizes, float &quality, int &spentAttribute,
163
164                             PExampleGenerator gen, const int &weightID,
165                             PDomainContingency dcont, PDistribution apriorClass,
166                             const vector<bool> &candidates,
167                             PClassifier nodeClassifier
168                            )
169{ checkProperty(measure);
170
171  measure->checkClassTypeExc(gen->domain->classVar->varType);
172
173  bool cse = candidates.size()==0;
174  vector<bool>::const_iterator ci(candidates.begin()), ce(candidates.end());
175  if (!cse) {
176    if (noCandidates(candidates))
177      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
178
179    ci = candidates.begin();
180  }
181
182  int N = gen ? gen->numberOfExamples() : -1;
183  if (N<0)
184    N = dcont->classes->cases;
185  TSimpleRandomGenerator rgen(N);
186
187  int thisAttr = 0, bestAttr = -1, wins = 0;
188  quality = 0.0;
189
190  if (measure->needs == TMeasureAttribute::Contingency_Class) {
191    vector<bool> myCandidates;
192    if (cse) {
193      myCandidates.reserve(gen->domain->attributes->size());
194      PITERATE(TVarList, vi, gen->domain->attributes)
195        myCandidates.push_back((*vi)->varType == TValue::INTVAR);
196    }
197    else {
198      myCandidates.reserve(candidates.size());
199      TVarList::const_iterator vi(gen->domain->attributes->begin());
200      for(; ci != ce; ci++, vi++)
201        myCandidates.push_back(*ci && ((*vi)->varType == TValue::INTVAR));
202    }
203
204    if (!dcont || dcont->classIsOuter)
205      dcont = PDomainContingency(mlnew TDomainContingency(gen, weightID, myCandidates));
206
207    ci = myCandidates.begin();
208    ce = myCandidates.end();
209    TDomainContingency::iterator dci(dcont->begin()), dce(dcont->end());
210    for(; (ci != ce) && (dci!=dce); dci++, ci++, thisAttr++)
211      if (*ci && checkDistribution((const TDiscDistribution &)((*dci)->outerDistribution.getReference()), minSubset)) {
212        float thisMeas = measure->call(thisAttr, dcont, apriorClass);
213
214        if (   ((!wins || (thisMeas>quality)) && ((wins=1)==1))
215            || ((thisMeas==quality) && rgen.randbool(++wins))) {
216          quality = thisMeas;
217          subsetSizes = (*dci)->outerDistribution;
218          bestAttr = thisAttr;
219        }
220      }
221  }
222
223  else if (measure->needs == TMeasureAttribute::DomainContingency) {
224    if (!dcont || dcont->classIsOuter)
225      dcont = PDomainContingency(mlnew TDomainContingency(gen, weightID));
226
227    TDomainContingency::iterator dci(dcont->begin()), dce(dcont->end());
228    for(; (cse || (ci!=ce)) && (dci!=dce); dci++, thisAttr++)
229      if (    (cse || *(ci++))
230           && ((*dci)->outerVariable->varType==TValue::INTVAR)
231           && checkDistribution((const TDiscDistribution &)((*dci)->outerDistribution.getReference()), minSubset)) {
232        float thisMeas = measure->call(thisAttr, dcont, apriorClass);
233
234        if (   ((!wins || (thisMeas>quality)) && ((wins=1)==1))
235            || ((thisMeas==quality) && rgen.randbool(++wins))) {
236          quality = thisMeas;
237          subsetSizes = (*dci)->outerDistribution;
238          bestAttr = thisAttr;
239        }
240      }
241  }
242
243  else {
244    TDomainDistributions ddist(gen, weightID);
245
246    TDomainDistributions::iterator ddi(ddist.begin()), dde(ddist.end()-1);
247    for(; (cse || (ci!=ce)) && (ddi!=dde); ddi++, thisAttr++)
248      if (cse || *(ci++)) {
249        TDiscDistribution *discdist = (*ddi).AS(TDiscDistribution);
250        if (discdist && checkDistribution(*discdist, minSubset)) {
251          float thisMeas = measure->call(thisAttr, gen, apriorClass, weightID);
252
253          if (   ((!wins || (thisMeas>quality)) && ((wins=1)==1))
254              || ((thisMeas==quality) && rgen.randbool(++wins))) {
255            quality = thisMeas;
256            subsetSizes = PDiscDistribution(*ddi); // not discdist - this would be double wrapping!
257            bestAttr = thisAttr;
258          }
259        }
260      }
261   
262  }
263
264  if (!wins)
265    return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
266
267  if (quality<worstAcceptable)
268    return returnNothing(descriptions, subsetSizes, spentAttribute);
269
270  PVariable attribute = gen->domain->attributes->at(bestAttr);
271  TEnumVariable *evar = attribute.AS(TEnumVariable);
272  if (evar)
273    descriptions = mlnew TStringList(evar->values.getReference());
274  else
275    descriptions = mlnew TStringList(subsetSizes->size(), "");
276
277  spentAttribute = bestAttr;
278
279  TClassifierFromVarFD *cfv = mlnew TClassifierFromVarFD(attribute, gen->domain, bestAttr, subsetSizes);
280  cfv->transformUnknowns = false;
281  return cfv;
282}
283
284
285
286
287TTreeSplitConstructor_ExhaustiveBinary::TTreeSplitConstructor_ExhaustiveBinary(PMeasureAttribute meas, const float &aworst, const float &aml)
288: TTreeSplitConstructor_Measure(meas, aworst, aml)
289{}
290
291
292
293PClassifier TTreeSplitConstructor_ExhaustiveBinary::operator()(
294                             PStringList &descriptions, PDiscDistribution &subsetSizes, float &quality, int &spentAttribute,
295
296                             PExampleGenerator gen, const int &weightID ,
297                             PDomainContingency dcont, PDistribution apriorClass,
298                             const vector<bool> &candidates,
299                             PClassifier
300                            )
301{ 
302  checkProperty(measure);
303  measure->checkClassTypeExc(gen->domain->classVar->varType);
304
305  PIntList bestMapping;
306  int wins, bestAttr;
307  PVariable bvar;
308
309  if (measure->needs==TMeasureAttribute::Generator) {
310    bool cse = candidates.size()==0;
311    bool haveCandidates = false;
312    vector<bool> myCandidates;
313    myCandidates.reserve(gen->domain->attributes->size());
314    vector<bool>::const_iterator ci(candidates.begin()), ce(candidates.end());
315    TVarList::const_iterator vi, ve(gen->domain->attributes->end());
316    for(vi = gen->domain->attributes->begin(); vi != ve; vi++) {
317      bool co = (*vi)->varType == TValue::INTVAR && (!cse || (ci!=ce) && *ci);
318      myCandidates.push_back(co);
319      haveCandidates = haveCandidates || co;
320    }
321    if (!haveCandidates)
322      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
323
324    PDistribution thisSubsets;
325    float thisQuality;
326    wins = 0;
327    int thisAttr = 0;
328
329    int N = gen->numberOfExamples();
330    TSimpleRandomGenerator rgen(N);
331
332    ci = myCandidates.begin();
333    for(vi = gen->domain->attributes->begin(); vi != ve; ci++, vi++, thisAttr++) {
334      if (*ci) {
335        thisSubsets = NULL;
336        PIntList thisMapping =
337           /*throughCont ? measure->bestBinarization(thisSubsets, thisQuality, *dci, dcont->classes, apriorClass, minSubset)
338                       : */measure->bestBinarization(thisSubsets, thisQuality, *vi, gen, apriorClass, weightID, minSubset);
339          if (thisMapping
340                && (   (!wins || (thisQuality>quality)) && ((wins=1)==1)
341                    || (thisQuality==quality) && rgen.randbool(++wins))) {
342            bestAttr = thisAttr;
343            quality = thisQuality;
344            subsetSizes = thisSubsets;
345            bestMapping = thisMapping;
346          }
347      }
348      /*if (thoughCont)
349        dci++; */
350    }
351 
352    if (!wins)
353      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
354
355    if (quality<worstAcceptable)
356      return returnNothing(descriptions, subsetSizes, spentAttribute);
357
358    if (subsetSizes && subsetSizes->variable)
359      bvar = subsetSizes->variable;
360    else {
361      TEnumVariable *evar = mlnew TEnumVariable("");
362      evar->addValue("0");
363      evar->addValue("1");
364      bvar = evar;
365    }
366  }
367 
368  else {
369    bool cse = candidates.size()==0;
370    if (!cse && noCandidates(candidates))
371      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
372
373    if (!dcont || dcont->classIsOuter) {
374      dcont = PDomainContingency(mlnew TDomainContingency(gen, weightID));
375//      raiseWarningWho("TreeSplitConstructor_ExhaustiveBinary", "this class is not optimized for 'candidates' list and can be very slow");
376    }
377
378    int N = gen ? gen->numberOfExamples() : -1;
379    if (N<0)
380      N = dcont->classes->cases;
381    TSimpleRandomGenerator rgen(N);
382
383    PDistribution classDistribution = dcont->classes;
384
385    vector<bool>::const_iterator ci(candidates.begin()), ce(candidates.end());
386
387    TDiscDistribution *dis0, *dis1;
388    TContDistribution *con0, *con1;
389
390    int thisAttr = 0;
391    bestAttr = -1;
392    wins = 0;
393    quality = 0.0;
394    float leftExamples, rightExamples;
395
396    TDomainContingency::iterator dci(dcont->begin()), dce(dcont->end());
397    for(; (cse || (ci!=ce)) && (dci!=dce); dci++, thisAttr++) {
398
399      // We consider the attribute only if it is a candidate, discrete and has at least two values
400      if ((cse || *(ci++)) && ((*dci)->outerVariable->varType==TValue::INTVAR) && ((*dci)->discrete->size()>=2)) {
401
402        const TDistributionVector &distr = *(*dci)->discrete;
403
404        if (distr.size()>16)
405          raiseError("'%s' has more than 16 values, cannot exhaustively binarize", gen->domain->attributes->at(thisAttr)->get_name().c_str());
406
407        // If the attribute is binary, we check subsetSizes and assess the quality if they are OK
408        if (distr.size()==2) {
409          if ((distr.front()->abs<minSubset) || (distr.back()->abs<minSubset))
410            continue; // next attribute
411          else {
412            float thisMeas = measure->call(thisAttr, dcont, apriorClass);
413            if (   ((!wins || (thisMeas>quality)) && ((wins=1)==1))
414                || ((thisMeas==quality) && rgen.randbool(++wins))) {
415              bestAttr = thisAttr;
416              quality = thisMeas;
417              leftExamples = distr.front()->abs;
418              rightExamples = distr.back()->abs;
419              bestMapping = mlnew TIntList(2, 0);
420              bestMapping->at(1) = 1;
421            }
422            continue;
423          }
424        }
425
426        vector<int> valueIndices;
427        int ind = 0;
428        for(TDistributionVector::const_iterator dvi(distr.begin()), dve(distr.end()); (dvi!=dve); dvi++, ind++)
429          if ((*dvi)->abs>0)
430            valueIndices.push_back(ind);
431
432        if (valueIndices.size()<2)
433          continue;
434
435        PContingency cont = prepareBinaryCheat(classDistribution, *dci, bvar, dis0, dis1, con0, con1);
436
437        // A real job: go through all splits
438        int binWins = 0;
439        float binQuality = -1.0;
440        float binLeftExamples = -1.0, binRightExamples = -1.0;
441        // Selection: each element correspons to a value of the original attribute and is 1, if the value goes right
442        // The first value always goes left (and has no corresponding bit in selection.
443        TBoolCount selection(valueIndices.size()-1), bestSelection(0);
444
445        // First for discrete classes
446        if (dis0) {
447          do {
448            *dis0 = CAST_TO_DISCDISTRIBUTION(distr[valueIndices[0]]);
449            *dis1 *= 0;
450            vector<int>::const_iterator ii(valueIndices.begin());
451            for(TBoolCount::const_iterator bi(selection.begin()), be(selection.end()); bi!=be; bi++, ii++)
452               *(*bi ? dis1 : dis0) += distr[*ii];
453
454            if ((dis0->abs<minSubset) || (dis1->abs<minSubset))
455              continue; // cannot split like that, to few examples in one of the branches
456
457            float thisMeas = measure->operator()(cont, classDistribution, apriorClass);
458            if (   ((!binWins) || (thisMeas>binQuality)) && ((binWins=1) ==1)
459                || (thisMeas==binQuality) && rgen.randbool(++binWins)) {
460              bestSelection = selection; 
461              binQuality = thisMeas;
462              binLeftExamples = dis0->abs;
463              binRightExamples = dis1->abs;
464            }
465          } while (selection.next());
466        }
467
468        // And then exactly the same for continuous classes
469        else {
470          do {
471            *con0 = CAST_TO_CONTDISTRIBUTION(distr[0]);
472            *con1 = TContDistribution();
473            vector<int>::const_iterator ii(valueIndices.begin());
474            for(TBoolCount::const_iterator bi(selection.begin()), be(selection.end()); bi!=be; bi++, ii++)
475               *(*bi ? con1 : con0) += distr[*ii];
476
477            if ((con0->abs<minSubset) || (con1->abs<minSubset))
478              continue; // cannot split like that, to few examples in one of the branches
479
480            float thisMeas = measure->operator()(cont, classDistribution, apriorClass);
481            if (   ((!binWins) || (thisMeas>binQuality)) && ((binWins=1) ==1)
482                || (thisMeas==binQuality) && rgen.randbool(++binWins)) {
483              bestSelection = selection; 
484              binQuality = thisMeas;
485              binLeftExamples = con0->abs;
486              binRightExamples = con1->abs;
487            }
488          } while (selection.next());
489        }
490
491        if (       binWins
492            && (   (!wins || (binQuality>quality)) && ((wins=1)==1)
493                || (binQuality==quality) && rgen.randbool(++wins))) {
494          bestAttr = thisAttr;
495          quality = binQuality;
496          leftExamples = binLeftExamples;
497          rightExamples = binRightExamples;
498          bestMapping = mlnew TIntList(distr.size(), -1);
499          vector<int>::const_iterator ii = valueIndices.begin();
500          bestMapping->at(*(ii++)) = 0;
501          ITERATE(TBoolCount, bi, selection)
502            bestMapping->at(*(ii++)) = *bi ? 1 : 0;
503        }
504      }
505    }
506 
507
508    if (!wins)
509      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
510
511    subsetSizes = mlnew TDiscDistribution();
512    subsetSizes->addint(0, leftExamples);
513    subsetSizes->addint(1, rightExamples);
514  }
515
516  PVariable attribute = gen->domain->attributes->at(bestAttr);
517
518  if (attribute->noOfValues() == 2) {
519    spentAttribute = bestAttr;
520    descriptions = mlnew TStringList(attribute.AS(TEnumVariable)->values.getReference());
521    TClassifierFromVarFD *cfv = mlnew TClassifierFromVarFD(attribute, gen->domain, bestAttr, subsetSizes);
522    cfv->transformUnknowns = false;
523    return cfv;
524  }
525
526  string s0, s1;
527  int ns0 = 0, ns1 = 0;
528  TValue ev;
529  attribute->firstValue(ev);
530  PITERATE(TIntList, mi, bestMapping) {
531    string str;
532    attribute->val2str(ev, str);
533    if (*mi==1) {
534      s1 += string(ns1 ? ", " : "") + str;
535      ns1++;
536    }
537    else if (*mi==0) {
538      s0 += string(ns0 ? ", " : "") + str;
539      ns0++;
540    }
541
542    attribute->nextValue(ev);
543  }
544
545  descriptions = mlnew TStringList();
546  descriptions->push_back(ns0>1 ? "in ["+s0+"]" : s0);
547  descriptions->push_back(ns1>1 ? "in ["+s1+"]" : s1);
548
549  bvar->set_name(gen->domain->attributes->at(bestAttr)->get_name());
550  spentAttribute = (ns0==1) && (ns1==1) ? bestAttr : -1;
551  TClassifierFromVarFD *cfv = mlnew TClassifierFromVarFD(bvar, gen->domain, bestAttr, subsetSizes, mlnew TMapIntValue(bestMapping));
552  cfv->transformUnknowns = false;
553  return cfv;
554}
555
556
557
558
559
560
561
562
563
564PClassifier TTreeSplitConstructor_OneAgainstOthers::operator()(
565                             PStringList &descriptions, PDiscDistribution &subsetSizes, float &quality, int &spentAttribute,
566
567                             PExampleGenerator gen, const int &weightID ,
568                             PDomainContingency dcont, PDistribution apriorClass,
569                             const vector<bool> &candidates,
570                             PClassifier
571                            )
572{ 
573  checkProperty(measure);
574  measure->checkClassTypeExc(gen->domain->classVar->varType);
575
576  int bestValue, wins, bestAttr;
577  PVariable bvar;
578
579  if (measure->needs==TMeasureAttribute::Generator) {
580    bool cse = candidates.size()==0;
581    bool haveCandidates = false;
582    vector<bool> myCandidates;
583    myCandidates.reserve(gen->domain->attributes->size());
584    vector<bool>::const_iterator ci(candidates.begin()), ce(candidates.end());
585    TVarList::const_iterator vi, ve(gen->domain->attributes->end());
586    for(vi = gen->domain->attributes->begin(); vi != ve; vi++) {
587      bool co = (*vi)->varType == TValue::INTVAR && (!cse || (ci!=ce) && *ci);
588      myCandidates.push_back(co);
589      haveCandidates = haveCandidates || co;
590    }
591    if (!haveCandidates)
592      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
593
594    PDistribution thisSubsets;
595    float thisQuality;
596    wins = 0;
597    int thisAttr = 0;
598
599    int N = gen->numberOfExamples();
600    TSimpleRandomGenerator rgen(N);
601
602    ci = myCandidates.begin();
603    for(vi = gen->domain->attributes->begin(); vi != ve; ci++, vi++, thisAttr++) {
604      if (*ci) {
605        thisSubsets = NULL;
606        int thisValue = measure->bestValue(thisSubsets, thisQuality, *vi, gen, apriorClass, weightID, minSubset);
607        if ((thisValue >=0)
608                && (   (!wins || (thisQuality>quality)) && ((wins=1)==1)
609                    || (thisQuality==quality) && rgen.randbool(++wins))) {
610            bestAttr = thisAttr;
611            quality = thisQuality;
612            subsetSizes = thisSubsets;
613            bestValue = thisValue;
614          }
615      }
616    }
617 
618    if (!wins)
619      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
620
621    if (quality<worstAcceptable)
622      return returnNothing(descriptions, subsetSizes, spentAttribute);
623
624    if (subsetSizes && subsetSizes->variable)
625      bvar = subsetSizes->variable;
626    else {
627      TEnumVariable *evar = mlnew TEnumVariable("");
628      const string &value = gen->domain->attributes->at(bestAttr).AS(TEnumVariable)->values->at(bestValue);
629      evar->addValue(string("not ")+value);
630      evar->addValue(value);
631      bvar = evar;
632    }
633  }
634 
635  else {
636    bool cse = candidates.size()==0;
637    if (!cse && noCandidates(candidates))
638      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
639
640    if (!dcont || dcont->classIsOuter) {
641      dcont = PDomainContingency(mlnew TDomainContingency(gen, weightID));
642    }
643
644    int N = gen ? gen->numberOfExamples() : -1;
645    if (N<0)
646      N = dcont->classes->cases;
647    TSimpleRandomGenerator rgen(N);
648
649    PDistribution classDistribution = dcont->classes;
650
651    vector<bool>::const_iterator ci(candidates.begin()), ce(candidates.end());
652
653    TDiscDistribution *dis0, *dis1;
654    TContDistribution *con0, *con1;
655
656    int thisAttr = 0;
657    bestAttr = -1;
658    wins = 0;
659    quality = 0.0;
660    float leftExamples, rightExamples;
661
662    TDomainContingency::iterator dci(dcont->begin()), dce(dcont->end());
663    for(; (cse || (ci!=ce)) && (dci!=dce); dci++, thisAttr++) {
664
665      // We consider the attribute only if it is a candidate, discrete and has at least two values
666      if ((cse || *(ci++)) && ((*dci)->outerVariable->varType==TValue::INTVAR) && ((*dci)->discrete->size()>=2)) {
667
668        const TDistributionVector &distr = *(*dci)->discrete;
669
670        // If the attribute is binary, we check subsetSizes and assess the quality if they are OK
671        if (distr.size() == 2) {
672          if ((distr.front()->abs < minSubset) || (distr.back()->abs < minSubset))
673            continue; // next attribute
674          else {
675            float thisMeas = measure->call(thisAttr, dcont, apriorClass);
676            if (   ((!wins || (thisMeas>quality)) && ((wins=1)==1))
677                || ((thisMeas==quality) && rgen.randbool(++wins))) {
678              bestAttr = thisAttr;
679              quality = thisMeas;
680              leftExamples = distr.front()->abs;
681              rightExamples = distr.back()->abs;
682              bestValue = 1;
683            }
684            continue;
685          }
686        }
687
688        int binWins = 0, binBestValue = -1;
689        float binQuality = -1.0;
690        float binLeftExamples = -1.0, binRightExamples = -1.0;
691
692        PContingency cont = prepareBinaryCheat(classDistribution, *dci, bvar, dis0, dis1, con0, con1);
693        int thisValue = 0;
694        const float maxSubset = (*dci)->innerDistribution->abs - minSubset;
695        for(TDistributionVector::const_iterator dvi(distr.begin()), dve(distr.end()); (dvi!=dve); dvi++, thisValue++) {
696          if (((*dvi)->abs < minSubset) || ((*dvi)->abs > maxSubset))
697            continue;
698
699          float thisMeas;
700         
701          // First for discrete classes
702          if (dis0) {
703            *dis0 = CAST_TO_DISCDISTRIBUTION(*dvi);
704            *dis1 = CAST_TO_DISCDISTRIBUTION((*dci)->innerDistribution);
705            *dis1 -= *dis0;
706            thisMeas = measure->operator()(cont, classDistribution, apriorClass);
707          }
708          else {
709            *con0 = CAST_TO_CONTDISTRIBUTION(*dvi);
710            *con1 = CAST_TO_CONTDISTRIBUTION((*dci)->innerDistribution);
711            *con0 -= *con1;
712            thisMeas = measure->operator()(cont, classDistribution, apriorClass);
713          }
714         
715          if (   ((!binWins) || (thisMeas>binQuality)) && ((binWins=1) ==1)
716              || (thisMeas==binQuality) && rgen.randbool(++binWins)) {
717            binBestValue = thisValue; 
718            binQuality = thisMeas;
719            binLeftExamples = dis0->abs;
720            binRightExamples = dis1->abs;
721          }
722        }
723
724        if (       binWins
725            && (   (!wins || (binQuality>quality)) && ((wins=1)==1)
726                || (binQuality==quality) && rgen.randbool(++wins))) {
727          bestAttr = thisAttr;
728          quality = binQuality;
729          leftExamples = binLeftExamples;
730          rightExamples = binRightExamples;
731          bestValue = binBestValue;
732        }
733      }
734    }
735 
736
737    if (!wins)
738      return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
739
740    subsetSizes = mlnew TDiscDistribution();
741    subsetSizes->addint(0, leftExamples);
742    subsetSizes->addint(1, rightExamples);
743  }
744
745  PVariable attribute = gen->domain->attributes->at(bestAttr);
746
747  if (attribute->noOfValues() == 2) {
748    spentAttribute = bestAttr;
749    descriptions = mlnew TStringList(attribute.AS(TEnumVariable)->values.getReference());
750    TClassifierFromVarFD *cfv = mlnew TClassifierFromVarFD(attribute, gen->domain, bestAttr, subsetSizes);
751    cfv->transformUnknowns = false;
752    return cfv;
753  }
754
755  const string &bestValueS = attribute.AS(TEnumVariable)->values->at(bestValue);
756  descriptions = mlnew TStringList();
757  descriptions->push_back(string("not ") + bestValueS);
758  descriptions->push_back(bestValueS);
759 
760  bvar->set_name(gen->domain->attributes->at(bestAttr)->get_name());
761
762  TIntList *bestMapping = mlnew TIntList(attribute.AS(TEnumVariable)->values->size(), 0);
763  PIntList wb = bestMapping;
764  bestMapping->at(bestValue) = 1;
765  spentAttribute = -1;
766  TClassifierFromVarFD *cfv = mlnew TClassifierFromVarFD(bvar, gen->domain, bestAttr, subsetSizes, mlnew TMapIntValue(bestMapping));
767  cfv->transformUnknowns = false;
768  return cfv;
769}
770
771
772
773
774
775
776
777
778
779
780TTreeSplitConstructor_Threshold::TTreeSplitConstructor_Threshold(PMeasureAttribute meas, const float &worst, const float &aml)
781: TTreeSplitConstructor_Measure(meas, worst, aml)
782{}
783
784
785PClassifier TTreeSplitConstructor_Threshold::operator()(
786                             PStringList &descriptions, PDiscDistribution &subsetSizes, float &quality, int &spentAttribute,
787
788                             PExampleGenerator gen, const int &weightID ,
789                             PDomainContingency dcont, PDistribution apriorClass,
790                             const vector<bool> &candidates,
791                             PClassifier
792                            )
793{ 
794  checkProperty(measure);
795  measure->checkClassTypeExc(gen->domain->classVar->varType);
796
797  bool cse = candidates.size()==0;
798  bool haveCandidates = false;
799  vector<bool> myCandidates;
800  myCandidates.reserve(gen->domain->attributes->size());
801  vector<bool>::const_iterator ci(candidates.begin()), ce(candidates.end());
802  TVarList::const_iterator vi, ve(gen->domain->attributes->end());
803  for(vi = gen->domain->attributes->begin(); vi != ve; vi++) {
804    bool co = (*vi)->varType == TValue::FLOATVAR && (cse || (ci!=ce) && *ci);
805    if (ci != ce)
806      ci++;
807    myCandidates.push_back(co);
808    haveCandidates = haveCandidates || co;
809  }
810  if (!haveCandidates)
811    return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
812
813  int N = gen ? gen->numberOfExamples() : -1;
814  if (N < 0)
815    N = dcont->classes->cases;
816
817  TSimpleRandomGenerator rgen(N);
818
819
820  PDistribution thisSubsets;
821  float thisQuality, bestThreshold;
822  ci = myCandidates.begin();
823  int wins = 0, thisAttr = 0, bestAttr;
824
825  TDomainContingency::iterator dci, dce;
826  bool throughCont = (dcont && !dcont->classIsOuter && (measure->needs <= measure->DomainContingency));
827  if (throughCont) {
828    dci = dcont->begin();
829    dce = dcont->end();
830  }
831
832  for(vi = gen->domain->attributes->begin(); vi != ve; ci++, vi++, thisAttr++) {
833    if (*ci) {
834      thisSubsets = NULL;
835      const float thisThreshold =
836         throughCont ? measure->bestThreshold(thisSubsets, thisQuality, *dci, dcont->classes, apriorClass, minSubset)
837                     : measure->bestThreshold(thisSubsets, thisQuality, *vi, gen, apriorClass, weightID, minSubset);
838        if ((thisThreshold != ILLEGAL_FLOAT)
839              && (   (!wins || (thisQuality>quality)) && ((wins=1)==1)
840                  || (thisQuality==quality) && rgen.randbool(++wins))) {
841          bestAttr = thisAttr;
842          quality = thisQuality;
843          subsetSizes = thisSubsets;
844          bestThreshold = thisThreshold;
845        }
846    }
847    if (throughCont)
848      dci++;
849  }
850 
851  if (!wins)
852    return returnNothing(descriptions, subsetSizes, quality, spentAttribute);
853
854  if (quality<worstAcceptable)
855    return returnNothing(descriptions, subsetSizes, spentAttribute);
856
857  PVariable bvar;
858  if (subsetSizes && subsetSizes->variable)
859    bvar = subsetSizes->variable;
860  else {
861    TEnumVariable *evar = mlnew TEnumVariable("");
862    evar->addValue("0");
863    evar->addValue("1");
864    bvar = evar;
865  }
866
867  descriptions = mlnew TStringList();
868  char str[128];
869  sprintf(str, "<=%3.3f", bestThreshold);
870  descriptions->push_back(str);
871  sprintf(str, ">%3.3f", bestThreshold);
872  descriptions->push_back(str);
873
874  bvar->set_name(gen->domain->attributes->at(bestAttr)->get_name());
875  spentAttribute = -1;
876  TClassifierFromVarFD *cfv = mlnew TClassifierFromVarFD(bvar, gen->domain, bestAttr, subsetSizes, mlnew TThresholdDiscretizer(bestThreshold));
877  cfv->transformUnknowns = false;
878  return cfv;
879}
880
881
882
883PExampleGeneratorList TTreeExampleSplitter::prepareGeneratorList(int size, PExampleGenerator gen, vector<TExampleTable *> &unwrapped)
884{
885  PExampleTable lock = gen.AS(TExampleTable);
886  if (lock) {
887    if (lock->lock)
888      lock = lock->lock;
889  }
890  else {
891    lock = mlnew TExampleTable(gen);
892  }
893   
894  PExampleGeneratorList examplePtrs = mlnew TExampleGeneratorList();
895  while(size--) {
896    TExampleTable *ntable = mlnew TExampleTable(lock, 1);
897    examplePtrs->push_back(PExampleGenerator(ntable));
898    unwrapped.push_back(ntable);
899  }
900
901  return examplePtrs;
902}
903
904
905bool TTreeExampleSplitter::getBranchIndices(PTreeNode node, PExampleGenerator gen, vector<int> &indices)
906{
907  TClassifier &branchSelector = node->branchSelector.getReference();
908  const int maxIndex = node->branchDescriptions->size();
909 
910  PEITERATE(ei, gen) {
911    TValue index = branchSelector(*ei);
912    if (index.isSpecial() || (index.intV<0) || (index.intV>=maxIndex))
913      return false;
914    indices.push_back(index.intV);
915  }
916
917  return true;
918}
919
920PExampleGeneratorList TTreeExampleSplitter_IgnoreUnknowns::operator ()(PTreeNode node, PExampleGenerator gen, const int &, vector<int> &)
921{ TClassifier &branchSelector = node->branchSelector.getReference();
922  const int maxIndex = node->branchDescriptions->size();
923
924  vector<TExampleTable *> uexamplePtrs;
925  PExampleGeneratorList examplePtrs = prepareGeneratorList(maxIndex, gen, uexamplePtrs);
926  PEITERATE(ei, gen) {
927    TValue index = branchSelector(*ei);
928    if (!index.isSpecial() && (index.intV>=0) && (index.intV<maxIndex))
929      uexamplePtrs[index.intV]->addExample(*ei);
930  }
931
932  return examplePtrs;
933}
934
935
936PExampleGeneratorList TTreeExampleSplitter_UnknownsToCommon::operator ()(PTreeNode node, PExampleGenerator gen, const int &, vector<int> &)
937{ 
938  if (!node->branchSizes)
939    raiseError("TreeExampleSplitter_UnknownsToCommon: splitConstructor didn't set the branchSize; use different constructor or splitter");
940
941  TClassifier &branchSelector = node->branchSelector.getReference();
942  const int maxIndex = node->branchDescriptions->size();
943  const int mostCommon = node->branchSizes->highestProbIntIndex();
944
945  vector<TExampleTable *> uexamplePtrs;
946  PExampleGeneratorList examplePtrs = prepareGeneratorList(maxIndex, gen, uexamplePtrs);
947
948  PEITERATE(ei, gen) {
949    TValue index = branchSelector(*ei);
950    uexamplePtrs[!index.isSpecial() && (index.intV>=0) && (index.intV<maxIndex) ? index.intV : mostCommon]->addExample(*ei);
951  }
952
953  return examplePtrs;
954}
955
956
957PExampleGeneratorList TTreeExampleSplitter_UnknownsToAll::operator ()(PTreeNode node, PExampleGenerator gen, const int &, vector<int> &)
958{ TClassifier &branchSelector = node->branchSelector.getReference();
959  const int maxIndex = node->branchDescriptions->size();
960
961  vector<TExampleTable *> uexamplePtrs;
962  PExampleGeneratorList examplePtrs = prepareGeneratorList(maxIndex, gen, uexamplePtrs);
963
964  PEITERATE(ei, gen) {
965    TValue index = branchSelector(*ei);
966    if (!index.isSpecial() && (index.intV>=0) && (index.intV<maxIndex))
967      uexamplePtrs[index.intV]->addExample(*ei);
968    else
969      ITERATE(vector<TExampleTable *>, pei, uexamplePtrs)
970        (*pei)->addExample(*ei);
971  }
972
973  return examplePtrs;
974}
975
976
977PExampleGeneratorList TTreeExampleSplitter_UnknownsToRandom::operator ()(PTreeNode node, PExampleGenerator gen, const int &, vector<int> &)
978{ TClassifier &branchSelector = node->branchSelector.getReference();
979  const int maxIndex = node->branchDescriptions->size();
980
981  vector<TExampleTable *> uexamplePtrs;
982  PExampleGeneratorList examplePtrs = prepareGeneratorList(maxIndex, gen, uexamplePtrs);
983
984  PEITERATE(ei, gen) {
985    TValue index = branchSelector(*ei);
986    if (!index.isSpecial() && (index.intV>=0) && (index.intV<maxIndex))
987      uexamplePtrs[index.intV]->addExample(*ei);
988    else {
989      TDiscDistribution *distr = NULL;
990      if (index.svalV)
991        distr = index.svalV.AS(TDiscDistribution);
992      if (!distr)
993        distr = node->branchSizes.AS(TDiscDistribution);
994      if (distr)
995        uexamplePtrs[distr->randomInt()]->addExample(*ei);
996    }
997  }
998
999  return examplePtrs;
1000}
1001
1002
1003PExampleGeneratorList TTreeExampleSplitter_UnknownsToBranch::operator ()(PTreeNode node, PExampleGenerator gen, const int &, vector<int> &)
1004{ TClassifier &branchSelector = node->branchSelector.getReference();
1005  int maxIndex = node->branchDescriptions->size();
1006  node->branchDescriptions->push_back("unknown");
1007
1008  vector<TExampleTable *> uexamplePtrs;
1009  PExampleGeneratorList examplePtrs = prepareGeneratorList(maxIndex+1, gen, uexamplePtrs);
1010
1011  PEITERATE(ei, gen) {
1012    TValue index = branchSelector(*ei);
1013    if (!index.isSpecial() && (index.intV>=0) && (index.intV<maxIndex))
1014      uexamplePtrs[index.intV]->addExample(*ei);
1015    else
1016      uexamplePtrs.back()->addExample(*ei);
1017  }
1018
1019  return examplePtrs;
1020}
1021
1022
1023PExampleGeneratorList TTreeExampleSplitter_UnknownsAsBranchSizes::operator()(PTreeNode node, PExampleGenerator gen, const int &weightID, vector<int> &newWeights)
1024{ 
1025  int maxIndex = node->branchDescriptions->size();
1026  TClassifier &branchSelector = node->branchSelector.getReference();
1027 
1028  vector<TExampleTable *> uexamplePtrs;
1029  PExampleGeneratorList examplePtrs = prepareGeneratorList(maxIndex, gen, uexamplePtrs);
1030
1031  vector<int> indices;
1032 
1033  if (getBranchIndices(node, gen, indices)) {
1034    TExampleIterator ei(gen->begin());
1035    ITERATE(vector<int>, ii, indices) {
1036      uexamplePtrs[*ii]->addExample(*ei);
1037      ++ei;
1038    }
1039  }
1040
1041  else {
1042    if (!node->branchSizes)
1043      raiseError("TreeExampleSplitter_UnknownsAsBranchSizes: splitConstructor didn't set the branchSize; use different constructor or splitter");
1044
1045    const TDiscDistribution &branchSizes = node->branchSizes.getReference();
1046    for(int i = maxIndex; i--; )
1047      newWeights.push_back(getMetaID());
1048
1049    TExampleIterator ei(gen->begin());
1050    ITERATE(vector<int>, ii, indices) {
1051      uexamplePtrs[*ii]->addExample(*ei);
1052      (*ei).setMeta(newWeights[*ii], TValue(WEIGHT(*ei)));
1053      ++ei;
1054    }
1055
1056    for (; ei; ++ei) {
1057      TValue index = branchSelector(*ei);
1058
1059      if (!index.isSpecial() && (index.intV>=0) && (index.intV<maxIndex)) {
1060        uexamplePtrs[index.intV]->addExample(*ei);
1061        (*ei).setMeta(newWeights[index.intV], TValue(WEIGHT(*ei)));
1062      }
1063   
1064      else {
1065        if (index.isDC()) {
1066          for(int branchNo = 0; branchNo<maxIndex; branchNo++) {
1067            uexamplePtrs[branchNo]->addExample(*ei);
1068            (*ei).setMeta(newWeights[branchNo], TValue(WEIGHT(*ei)));
1069          }
1070        }
1071        else {
1072          for(int branchNo = 0; branchNo<maxIndex; branchNo++) {
1073            float weight = branchSizes.p(branchNo) * WEIGHT(*ei);
1074            if (weight) {
1075              uexamplePtrs[branchNo]->addExample(*ei);
1076              (*ei).setMeta(newWeights[branchNo], TValue(weight));
1077            }
1078          }
1079        }
1080      }
1081    }
1082  }
1083
1084  return examplePtrs;
1085}
1086
1087
1088PExampleGeneratorList TTreeExampleSplitter_UnknownsAsSelector::operator()(PTreeNode node, PExampleGenerator gen, const int &weightID, vector<int> &newWeights)
1089{ TClassifier &branchSelector = node->branchSelector.getReference();
1090  int maxIndex = node->branchDescriptions->size();
1091
1092 
1093  vector<TExampleTable *> uexamplePtrs;
1094  PExampleGeneratorList examplePtrs = prepareGeneratorList(maxIndex, gen, uexamplePtrs);
1095
1096  vector<int> indices;
1097 
1098  if (getBranchIndices(node, gen, indices)) {
1099    TExampleIterator ei(gen->begin());
1100    ITERATE(vector<int>, ii, indices) {
1101      uexamplePtrs[*ii]->addExample(*ei);
1102      ++ei;
1103    }
1104  }
1105
1106  else {
1107    for(int i = maxIndex; i--; )
1108      newWeights.push_back(getMetaID());
1109
1110    TExampleIterator ei(gen->begin());
1111    ITERATE(vector<int>, ii, indices) {
1112      uexamplePtrs[*ii]->addExample(*ei);
1113      (*ei).setMeta(newWeights[*ii], TValue(WEIGHT(*ei)));
1114      ++ei;
1115    }
1116
1117    for (; ei; ++ei) {
1118      TValue index = branchSelector(*ei);
1119
1120      if (!index.isSpecial() && (index.intV>=0) && (index.intV<maxIndex)) {
1121        uexamplePtrs[index.intV]->addExample(*ei);
1122        (*ei).setMeta(newWeights[index.intV], TValue(WEIGHT(*ei)));
1123      }
1124   
1125      else {
1126        if (index.isDC()) {
1127          for(int branchNo = 0; branchNo<maxIndex; branchNo++) {
1128            uexamplePtrs[branchNo]->addExample(*ei);
1129            (*ei).setMeta(newWeights[branchNo], TValue(WEIGHT(*ei)));
1130          }
1131        }
1132        else {
1133          TDiscDistribution *distr = index.svalV ? index.svalV.AS(TDiscDistribution) : NULL;
1134          if (distr)
1135            for(int branchNo = 0; branchNo<maxIndex; branchNo++) {
1136              float weight = distr->p(branchNo) * WEIGHT(*ei);
1137              if (weight) {
1138                uexamplePtrs[branchNo]->addExample(*ei);
1139                (*ei).setMeta(newWeights[branchNo], TValue(weight));
1140            }
1141          }
1142        }
1143      }
1144    }
1145  }
1146
1147  return examplePtrs;
1148}
Note: See TracBrowser for help on using the repository browser.