Changeset 51


Ignore:
Timestamp:
04/22/16 14:45:25 (9 years ago)
Author:
sherbold
Message:
  • refactored existing normalization approaches into common util class
  • added zScoreTraining normalization after Nam et al.
  • added TCAPlus normalization selection after Nam et al.
Location:
trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing
Files:
2 added
3 edited

Legend:

Unmodified
Added
Removed
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/Normalization.java

    r41 r51  
    1717import org.apache.commons.collections4.list.SetUniqueList; 
    1818 
    19 import weka.core.Attribute; 
    20 import weka.core.Instance; 
    2119import weka.core.Instances; 
    22 import weka.experiment.Stats; 
    2320 
    2421/** 
     
    3532    @Override 
    3633    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    37         final Attribute classAtt = testdata.classAttribute(); 
    38  
    39         for (int i = 0; i < testdata.numAttributes(); i++) { 
    40             if (!testdata.attribute(i).equals(classAtt)) { 
    41                 Stats teststats = testdata.attributeStats(i).numericStats; 
    42  
    43                 double minVal = teststats.min; 
    44                 double maxVal = teststats.max; 
    45  
    46                 for (Instances traindata : traindataSet) { 
    47                     Stats trainstats = traindata.attributeStats(i).numericStats; 
    48                     if (minVal > trainstats.min) { 
    49                         minVal = trainstats.min; 
    50                     } 
    51                     if (maxVal < trainstats.max) { 
    52                         maxVal = trainstats.max; 
    53                     } 
    54                 } 
    55  
    56                 for (int j = 0; j < testdata.numInstances(); j++) { 
    57                     Instance inst = testdata.instance(j); 
    58                     double newValue = (inst.value(i) - minVal) / (maxVal - minVal); 
    59                     inst.setValue(i, newValue); 
    60                 } 
    61  
    62                 for (Instances traindata : traindataSet) { 
    63                     for (int j = 0; j < traindata.numInstances(); j++) { 
    64                         Instance inst = traindata.instance(j); 
    65                         double newValue = (inst.value(i) - minVal) / (maxVal - minVal); 
    66                         inst.setValue(i, newValue); 
    67                     } 
    68                 } 
    69             } 
     34        NormalizationUtil.minMax(testdata); 
     35        for (Instances instances : traindataSet) { 
     36            NormalizationUtil.minMax(instances); 
    7037        } 
    71  
    7238    } 
    7339 
     
    7844    @Override 
    7945    public void apply(Instances testdata, Instances traindata) { 
    80         final Attribute classAtt = testdata.classAttribute(); 
    81  
    82         for (int i = 0; i < testdata.numAttributes(); i++) { 
    83             if (!testdata.attribute(i).equals(classAtt)) { 
    84                 Stats teststats = testdata.attributeStats(i).numericStats; 
    85  
    86                 double minVal = teststats.min; 
    87                 double maxVal = teststats.max; 
    88  
    89                 Stats trainstats = traindata.attributeStats(i).numericStats; 
    90                 if (minVal > trainstats.min) { 
    91                     minVal = trainstats.min; 
    92                 } 
    93                 if (maxVal < trainstats.max) { 
    94                     maxVal = trainstats.max; 
    95                 } 
    96  
    97                 for (int j = 0; j < testdata.numInstances(); j++) { 
    98                     Instance inst = testdata.instance(j); 
    99                     double newValue = (inst.value(i) - minVal) / (maxVal - minVal); 
    100                     inst.setValue(i, newValue); 
    101                 } 
    102  
    103                 for (int j = 0; j < traindata.numInstances(); j++) { 
    104                     Instance inst = traindata.instance(j); 
    105                     double newValue = (inst.value(i) - minVal) / (maxVal - minVal); 
    106                     inst.setValue(i, newValue); 
    107                 } 
    108             } 
    109         } 
     46        NormalizationUtil.minMax(testdata); 
     47        NormalizationUtil.minMax(traindata); 
    11048    } 
    11149 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/ZScoreNormalization.java

    r41 r51  
    1717import org.apache.commons.collections4.list.SetUniqueList; 
    1818 
    19 import weka.core.Attribute; 
    20 import weka.core.Instance; 
    2119import weka.core.Instances; 
    2220 
     
    4543    @Override 
    4644    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    47         normalize(testdata); 
     45        NormalizationUtil.zScore(testdata); 
    4846        for (Instances instances : traindataSet) { 
    49             normalize(instances); 
     47            NormalizationUtil.zScore(instances); 
    5048        } 
    5149    } 
     
    5755    @Override 
    5856    public void apply(Instances testdata, Instances traindata) { 
    59         normalize(testdata); 
    60         normalize(traindata); 
     57        NormalizationUtil.zScore(testdata); 
     58        NormalizationUtil.zScore(traindata); 
    6159    } 
    62  
    63     private void normalize(Instances instances) { 
    64         instances.toString(); 
    65         final Attribute classAttribute = instances.classAttribute(); 
    66  
    67         final double[] means = new double[instances.numAttributes()]; 
    68         final double[] stddevs = new double[instances.numAttributes()]; 
    69  
    70         // get means and stddevs of data 
    71         for (int j = 0; j < instances.numAttributes(); j++) { 
    72             if (instances.attribute(j) != classAttribute) { 
    73                 means[j] = instances.meanOrMode(j); 
    74                 stddevs[j] = Math.sqrt(instances.variance(j)); 
    75             } 
    76         } 
    77         for (int i = 0; i < instances.numAttributes(); i++) { 
    78             if (!instances.attribute(i).equals(classAttribute)) { 
    79                 for (int j = 0; j < instances.numInstances(); j++) { 
    80                     Instance inst = instances.get(i); 
    81                     double newValue = (inst.value(i) - means[i]) / stddevs[i]; 
    82                     if (newValue == Double.NaN) { 
    83                         System.out.println("foooooo"); 
    84                     } 
    85                     inst.setValue(i, newValue); 
    86                 } 
    87             } 
    88         } 
    89     } 
    90  
    9160} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/ZScoreTargetNormalization.java

    r41 r51  
    1717import org.apache.commons.collections4.list.SetUniqueList; 
    1818 
    19 import weka.core.Attribute; 
    20 import weka.core.Instance; 
    2119import weka.core.Instances; 
    2220 
     
    4644    @Override 
    4745    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    48         final Attribute classAttribute = testdata.classAttribute(); 
    49  
    50         final double[] meanTest = new double[testdata.numAttributes()]; 
    51         final double[] stddevTest = new double[testdata.numAttributes()]; 
    52  
    53         // get means of testdata 
    54         for (int j = 0; j < testdata.numAttributes(); j++) { 
    55             if (testdata.attribute(j) != classAttribute) { 
    56                 meanTest[j] = testdata.meanOrMode(j); 
    57                 stddevTest[j] = Math.sqrt(testdata.variance(j)); 
    58             } 
    59         } 
    60  
    61         // preprocess test data 
    62         for (int i = 0; i < testdata.numInstances(); i++) { 
    63             Instance instance = testdata.instance(i); 
    64             for (int j = 0; j < testdata.numAttributes(); j++) { 
    65                 if (testdata.attribute(j) != classAttribute) { 
    66                     instance.setValue(j, instance.value(j) - meanTest[j] / stddevTest[j]); 
    67                 } 
    68             } 
    69         } 
    70  
    71         // preprocess training data 
    72         for (Instances traindata : traindataSet) { 
    73             for (int i = 0; i < traindata.numInstances(); i++) { 
    74                 Instance instance = traindata.instance(i); 
    75                 for (int j = 0; j < testdata.numAttributes(); j++) { 
    76                     if (testdata.attribute(j) != classAttribute) { 
    77                         instance.setValue(j, instance.value(j) - meanTest[j] / stddevTest[j]); 
    78                     } 
    79                 } 
    80             } 
    81         } 
     46        NormalizationUtil.zScoreTarget(testdata, traindataSet); 
    8247    } 
    8348 
     
    8853    @Override 
    8954    public void apply(Instances testdata, Instances traindata) { 
    90         final Attribute classAttribute = testdata.classAttribute(); 
    91  
    92         final double[] meanTest = new double[testdata.numAttributes()]; 
    93         final double[] stddevTest = new double[testdata.numAttributes()]; 
    94  
    95         // get means of testdata 
    96         for (int j = 0; j < testdata.numAttributes(); j++) { 
    97             if (testdata.attribute(j) != classAttribute) { 
    98                 meanTest[j] = testdata.meanOrMode(j); 
    99                 stddevTest[j] = Math.sqrt(testdata.variance(j)); 
    100             } 
    101         } 
    102  
    103         // preprocess test data 
    104         for (int i = 0; i < testdata.numInstances(); i++) { 
    105             Instance instance = testdata.instance(i); 
    106             for (int j = 0; j < testdata.numAttributes(); j++) { 
    107                 if (testdata.attribute(j) != classAttribute) { 
    108                     instance.setValue(j, instance.value(j) - meanTest[j] / stddevTest[j]); 
    109                 } 
    110             } 
    111         } 
    112  
    113         // preprocess training data 
    114         for (int i = 0; i < traindata.numInstances(); i++) { 
    115             Instance instance = traindata.instance(i); 
    116             for (int j = 0; j < testdata.numAttributes(); j++) { 
    117                 if (testdata.attribute(j) != classAttribute) { 
    118                     instance.setValue(j, instance.value(j) - meanTest[j] / stddevTest[j]); 
    119                 } 
    120             } 
    121         } 
     55        NormalizationUtil.zScoreTarget(testdata, traindata); 
    12256    } 
    12357} 
Note: See TracChangeset for help on using the changeset viewer.