Ignore:
Timestamp:
09/24/15 10:59:05 (9 years ago)
Author:
sherbold
Message:
  • formatted code and added copyrights
Location:
trunk/CrossPare/src/de/ugoe/cs/cpdp
Files:
84 edited

Legend:

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

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp; 
    216 
     
    3347 
    3448/** 
    35  * Class that contains all meta information about an experiment, i.e., its configuration. The configuration is loaded from an XML file. 
    36  * <br><br> 
    37  * In the current implementation, the experiment configuration can only be created using an XML file. Programmatic creation of experiment configurations is currently not possibly.  
     49 * Class that contains all meta information about an experiment, i.e., its configuration. The 
     50 * configuration is loaded from an XML file. <br> 
     51 * <br> 
     52 * In the current implementation, the experiment configuration can only be created using an XML 
     53 * file. Programmatic creation of experiment configurations is currently not possibly. 
     54 *  
    3855 * @author Steffen Herbold 
    3956 */ 
    40 public class ExperimentConfiguration  extends DefaultHandler { 
    41  
    42         /** 
    43          * handle of the file that contains the configuration 
    44          */ 
    45         private final File configFile; 
    46          
    47         /** 
    48          * name of the experiment (automatically set to the file name without the .xml ending) 
    49          */ 
    50         private String experimentName = "exp"; 
    51          
    52         /** 
    53          * loads instances 
    54          */ 
    55         private List<IVersionLoader> loaders; 
    56          
    57         /** 
    58          * path were the results of the experiments are stored 
    59          */ 
    60         private String resultsPath = "results"; 
    61          
    62         /** 
    63          * data set filters applied to all data 
    64          */ 
    65         private List<IVersionFilter> versionFilters; 
    66          
    67         /** 
    68          * data set filters that decide if a data set is used as test data 
    69          */ 
    70         private List<IVersionFilter> testVersionFilters; 
    71          
    72         /** 
    73          * data set filters that decide if a data is used as candidate training data 
    74          */ 
    75         private List<IVersionFilter> trainingVersionFilters; 
    76          
    77         /** 
    78          * setwise data processors that are applied before the setwise data selection 
    79          */ 
    80         private List<ISetWiseProcessingStrategy> setwisepreprocessors; 
    81          
    82         /** 
    83          * setwise data selection strategies 
    84          */ 
    85         private List<ISetWiseDataselectionStrategy> setwiseselectors; 
    86          
    87         /** 
    88          * setwise data processors that are applied after the setwise data selection 
    89          */ 
    90         private List<ISetWiseProcessingStrategy> setwisepostprocessors; 
    91          
    92         /** 
    93          * setwise trainers, i.e., trainers that require the selected training data to be separate from each other 
    94          */ 
    95         private List<ISetWiseTrainingStrategy> setwiseTrainers; 
    96          
    97         /** 
    98          * data processors that are applied before the pointwise data selection 
    99          */ 
    100         private List<IProcessesingStrategy> preprocessors; 
    101          
    102         /** 
    103          * pointwise data selection strategies 
    104          */ 
    105         private List<IPointWiseDataselectionStrategy> pointwiseselectors; 
    106          
    107         /** 
    108          * data processors that are applied before the pointwise data selection 
    109          */ 
    110         private List<IProcessesingStrategy> postprocessors; 
    111          
    112         /** 
    113          * normal trainers, i.e., trainers that require the selected training data in a single data set 
    114          */ 
    115         private List<ITrainingStrategy> trainers; 
    116          
    117         /** 
    118          * evaluators used for the the experiment results 
    119          */ 
    120         private List<IEvaluationStrategy> evaluators; 
    121          
    122         /** 
    123          * indicates, if the classifier should be saved 
    124          */ 
    125         private Boolean saveClassifier = null; 
    126          
    127         /** 
    128          * indicates, which execution strategy to choose 
    129          * (e.g. CrossProjectExperiment, ClassifierCreationExecution). 
    130          * Default is CrossProjectExperiment. 
    131          */ 
    132         private String executionStrategy = "CrossProjectExperiment"; 
    133          
    134         /** 
    135          * Constructor. Creates a new configuration from a given file.  
    136          * @param filename name of the file from the configuration is loaded. 
    137          * @throws ExperimentConfigurationException thrown if there is an error creating the configuration 
    138          */ 
    139         public ExperimentConfiguration(String filename) throws ExperimentConfigurationException { 
    140                 this(new File(filename)); 
    141         } 
    142          
    143         /** 
    144          * Constructor. Creates a new configuration from a given file.  
    145          * @param filename handle of the file from the configuration is loaded. 
    146          * @throws ExperimentConfigurationException thrown if there is an error creating the configuration 
    147          */ 
    148         public ExperimentConfiguration(File file) throws ExperimentConfigurationException { 
    149                 loaders = new LinkedList<>(); 
    150                 versionFilters = new LinkedList<>(); 
    151                 testVersionFilters = new LinkedList<>(); 
    152                 trainingVersionFilters = new LinkedList<>(); 
    153                 setwisepreprocessors = new LinkedList<>(); 
    154                 setwiseselectors = new LinkedList<>(); 
    155                 setwisepostprocessors = new LinkedList<>(); 
    156                 setwiseTrainers = new LinkedList<>(); 
    157                 preprocessors = new LinkedList<>(); 
    158                 pointwiseselectors = new LinkedList<>(); 
    159                 postprocessors = new LinkedList<>();             
    160                 trainers = new LinkedList<>(); 
    161                 evaluators = new LinkedList<>(); 
    162                  
    163                 if (file == null) { 
     57public class ExperimentConfiguration extends DefaultHandler { 
     58 
     59    /** 
     60     * handle of the file that contains the configuration 
     61     */ 
     62    private final File configFile; 
     63 
     64    /** 
     65     * name of the experiment (automatically set to the file name without the .xml ending) 
     66     */ 
     67    private String experimentName = "exp"; 
     68 
     69    /** 
     70     * loads instances 
     71     */ 
     72    private List<IVersionLoader> loaders; 
     73 
     74    /** 
     75     * path were the results of the experiments are stored 
     76     */ 
     77    private String resultsPath = "results"; 
     78 
     79    /** 
     80     * data set filters applied to all data 
     81     */ 
     82    private List<IVersionFilter> versionFilters; 
     83 
     84    /** 
     85     * data set filters that decide if a data set is used as test data 
     86     */ 
     87    private List<IVersionFilter> testVersionFilters; 
     88 
     89    /** 
     90     * data set filters that decide if a data is used as candidate training data 
     91     */ 
     92    private List<IVersionFilter> trainingVersionFilters; 
     93 
     94    /** 
     95     * setwise data processors that are applied before the setwise data selection 
     96     */ 
     97    private List<ISetWiseProcessingStrategy> setwisepreprocessors; 
     98 
     99    /** 
     100     * setwise data selection strategies 
     101     */ 
     102    private List<ISetWiseDataselectionStrategy> setwiseselectors; 
     103 
     104    /** 
     105     * setwise data processors that are applied after the setwise data selection 
     106     */ 
     107    private List<ISetWiseProcessingStrategy> setwisepostprocessors; 
     108 
     109    /** 
     110     * setwise trainers, i.e., trainers that require the selected training data to be separate from 
     111     * each other 
     112     */ 
     113    private List<ISetWiseTrainingStrategy> setwiseTrainers; 
     114 
     115    /** 
     116     * data processors that are applied before the pointwise data selection 
     117     */ 
     118    private List<IProcessesingStrategy> preprocessors; 
     119 
     120    /** 
     121     * pointwise data selection strategies 
     122     */ 
     123    private List<IPointWiseDataselectionStrategy> pointwiseselectors; 
     124 
     125    /** 
     126     * data processors that are applied before the pointwise data selection 
     127     */ 
     128    private List<IProcessesingStrategy> postprocessors; 
     129 
     130    /** 
     131     * normal trainers, i.e., trainers that require the selected training data in a single data set 
     132     */ 
     133    private List<ITrainingStrategy> trainers; 
     134 
     135    /** 
     136     * evaluators used for the the experiment results 
     137     */ 
     138    private List<IEvaluationStrategy> evaluators; 
     139 
     140    /** 
     141     * indicates, if the classifier should be saved 
     142     */ 
     143    private Boolean saveClassifier = null; 
     144 
     145    /** 
     146     * indicates, which execution strategy to choose (e.g. CrossProjectExperiment, 
     147     * ClassifierCreationExecution). Default is CrossProjectExperiment. 
     148     */ 
     149    private String executionStrategy = "CrossProjectExperiment"; 
     150 
     151    /** 
     152     * Constructor. Creates a new configuration from a given file. 
     153     *  
     154     * @param filename 
     155     *            name of the file from the configuration is loaded. 
     156     * @throws ExperimentConfigurationException 
     157     *             thrown if there is an error creating the configuration 
     158     */ 
     159    public ExperimentConfiguration(String filename) throws ExperimentConfigurationException { 
     160        this(new File(filename)); 
     161    } 
     162 
     163    /** 
     164     * Constructor. Creates a new configuration from a given file. 
     165     *  
     166     * @param filename 
     167     *            handle of the file from the configuration is loaded. 
     168     * @throws ExperimentConfigurationException 
     169     *             thrown if there is an error creating the configuration 
     170     */ 
     171    public ExperimentConfiguration(File file) throws ExperimentConfigurationException { 
     172        loaders = new LinkedList<>(); 
     173        versionFilters = new LinkedList<>(); 
     174        testVersionFilters = new LinkedList<>(); 
     175        trainingVersionFilters = new LinkedList<>(); 
     176        setwisepreprocessors = new LinkedList<>(); 
     177        setwiseselectors = new LinkedList<>(); 
     178        setwisepostprocessors = new LinkedList<>(); 
     179        setwiseTrainers = new LinkedList<>(); 
     180        preprocessors = new LinkedList<>(); 
     181        pointwiseselectors = new LinkedList<>(); 
     182        postprocessors = new LinkedList<>(); 
     183        trainers = new LinkedList<>(); 
     184        evaluators = new LinkedList<>(); 
     185 
     186        if (file == null) { 
    164187            throw new IllegalArgumentException("file must not be null"); 
    165188        } 
    166                 if (file.isDirectory()) { 
    167                         throw new IllegalArgumentException("file must not be a directory"); 
    168                 } 
    169                 configFile = file; 
    170                  
    171                 experimentName = file.getName().split("\\.")[0]; 
     189        if (file.isDirectory()) { 
     190            throw new IllegalArgumentException("file must not be a directory"); 
     191        } 
     192        configFile = file; 
     193 
     194        experimentName = file.getName().split("\\.")[0]; 
    172195 
    173196        final SAXParserFactory spf = SAXParserFactory.newInstance(); 
     
    177200        InputSource inputSource = null; 
    178201        try { 
    179                         saxParser = spf.newSAXParser(); 
    180                 } catch (ParserConfigurationException | SAXException e) { 
    181                         throw new ExperimentConfigurationException(e); 
    182                 } 
    183                  
     202            saxParser = spf.newSAXParser(); 
     203        } 
     204        catch (ParserConfigurationException | SAXException e) { 
     205            throw new ExperimentConfigurationException(e); 
     206        } 
     207 
    184208        InputStreamReader reader = null; 
    185                 try { 
    186                         reader = new InputStreamReader(new FileInputStream(file), "UTF-8"); 
    187                         inputSource = new InputSource(reader); 
    188                 } catch (UnsupportedEncodingException | FileNotFoundException e) { 
    189                         throw new ExperimentConfigurationException("Could not open configuration file.", e); 
    190                 } 
    191                  
     209        try { 
     210            reader = new InputStreamReader(new FileInputStream(file), "UTF-8"); 
     211            inputSource = new InputSource(reader); 
     212        } 
     213        catch (UnsupportedEncodingException | FileNotFoundException e) { 
     214            throw new ExperimentConfigurationException("Could not open configuration file.", e); 
     215        } 
     216 
    192217        if (inputSource != null) { 
    193218            inputSource.setSystemId("file://" + file.getAbsolutePath()); 
    194                         try { 
    195                                 saxParser.parse(inputSource, this); 
    196                         } catch (SAXException | IOException e) { 
    197                                 throw new ExperimentConfigurationException("Error parsing configuration.", e); 
    198                         } 
    199                 } 
    200         if( reader!=null ) { 
    201                 try { 
    202                                 reader.close(); 
    203                         } catch (IOException e) { 
    204                                 throw new ExperimentConfigurationException("Error closing reader.", e); 
    205                         } 
    206         } 
    207         } 
    208          
    209         /** 
    210          * returns the name of the experiment 
    211          * @return name of the experiment 
    212          */ 
    213         public String getExperimentName() { 
    214                 return experimentName; 
    215         } 
    216          
    217         /** 
    218          * returns the loaders for instances 
    219          * @return data loaders 
    220          */ 
    221         public List<IVersionLoader> getLoaders() { 
    222                 return loaders; 
    223         } 
    224          
    225         /** 
    226          * returns the results path 
    227          * @return results path 
    228          */ 
    229         public String getResultsPath() { 
    230                 return resultsPath; 
    231         } 
    232          
    233         /** 
    234          * returns the data set filters of the experiment 
    235          * @return data set filters of the experiment 
    236          */ 
    237         public List<IVersionFilter> getVersionFilters() { 
    238                 return versionFilters; 
    239         } 
    240          
    241         /** 
    242          * returns the test set filters of the experiment 
    243          * @return test set filters of the experiment 
    244          */ 
    245         public List<IVersionFilter> getTestVersionFilters() { 
    246                 return testVersionFilters; 
    247         } 
    248          
    249         /** 
    250          * returns the candidate training version filters of the experiment  
    251          * @return candidate training version filters of the experiment 
    252          */ 
    253         public List<IVersionFilter> getTrainingVersionFilters() { 
    254                 return trainingVersionFilters; 
    255         } 
    256          
    257         /** 
    258          * returns the setwise processors applied before the setwise data selection 
    259          * @return setwise processors applied before the setwise data selection 
    260          */ 
    261         public List<ISetWiseProcessingStrategy> getSetWisePreprocessors() { 
    262                 return setwisepreprocessors; 
    263         } 
    264          
    265         /** 
    266          * returns the setwise data selection strategies 
    267          * @return setwise data selection strategies 
    268          */ 
    269         public List<ISetWiseDataselectionStrategy> getSetWiseSelectors() { 
    270                 return setwiseselectors; 
    271         } 
    272          
    273         /** 
    274          * returns the setwise processors applied after the setwise data selection 
    275          * @return setwise processors applied after the setwise data selection 
    276          */ 
    277         public List<ISetWiseProcessingStrategy> getSetWisePostprocessors() { 
    278                 return setwisepostprocessors; 
    279         } 
    280          
    281         /** 
    282          * returns the setwise training algorithms 
    283          * @return setwise training algorithms 
    284          */ 
    285         public List<ISetWiseTrainingStrategy> getSetWiseTrainers() { 
    286                 return setwiseTrainers; 
    287         } 
    288          
    289         /** 
    290          * returns the processors applied before the pointwise data selection 
    291          * @return processors applied before the pointwise data selection 
    292          */ 
    293         public List<IProcessesingStrategy> getPreProcessors() { 
    294                 return preprocessors; 
    295         } 
    296          
    297         /** 
    298          * returns the pointwise data selection strategies 
    299          * @return pointwise data selection strategies 
    300          */ 
    301         public List<IPointWiseDataselectionStrategy> getPointWiseSelectors() { 
    302                 return pointwiseselectors; 
    303         } 
    304          
    305         /** 
    306          * returns the processors applied after the pointwise data selection 
    307          * @return processors applied after the pointwise data selection 
    308          */ 
    309         public List<IProcessesingStrategy> getPostProcessors() { 
    310                 return postprocessors; 
    311         } 
    312          
    313         /** 
    314          * returns the normal training algorithm  
    315          * @return normal training algorithms 
    316          */ 
    317         public List<ITrainingStrategy> getTrainers() { 
    318                 return trainers; 
    319         } 
    320          
    321         /** 
    322          * returns the evaluation strategies 
    323          * @return evaluation strategies 
    324          */ 
    325         public List<IEvaluationStrategy> getEvaluators() { 
    326                 return evaluators; 
    327         } 
    328          
    329         /** 
    330          * returns boolean, if classifier should be saved 
    331          * @return boolean 
    332          */ 
    333         public boolean getSaveClassifier() { 
    334                 return saveClassifier; 
    335         } 
    336          
    337         /** 
    338          * returns the execution strategy 
    339          * @return String execution strategy 
    340          */ 
    341         public String getExecutionStrategy() { 
    342                 return executionStrategy; 
    343         } 
    344          
    345         /* (non-Javadoc) 
    346          * @see org.xml.sax.helpers.DefaultHandler#startElement(java.lang.String, java.lang.String, java.lang.String, org.xml.sax.Attributes) 
    347          */ 
    348         @Override 
    349         public void startElement(String uri, String localName, String qName, 
    350                         Attributes attributes) throws SAXException { 
    351                 try { 
    352                         if( qName.equals("config") ) { 
    353                                 // ingore 
    354                         } 
    355                         else if( qName.equals("loader") ) { 
    356                                 final IVersionLoader loader = (IVersionLoader) Class.forName("de.ugoe.cs.cpdp.loader." + attributes.getValue("name")).newInstance(); 
    357                                 loader.setLocation(attributes.getValue("datalocation")); 
    358                                 loaders.add(loader); 
    359                                  
    360                                 // TODO location as relative 
    361                         }  
    362                         else if( qName.equals("resultspath") ) { 
    363                                 resultsPath = attributes.getValue("path"); 
    364                         } 
    365                         else if( qName.equals("versionfilter") ) { 
    366                                 final IVersionFilter filter = (IVersionFilter) Class.forName("de.ugoe.cs.cpdp.versions." + attributes.getValue("name")).newInstance(); 
    367                                 filter.setParameter(attributes.getValue("param")); 
    368                                 versionFilters.add(filter); 
    369                         } 
    370                         else if( qName.equals("testVersionfilter") ) { 
    371                                 final IVersionFilter filter = (IVersionFilter) Class.forName("de.ugoe.cs.cpdp.versions." + attributes.getValue("name")).newInstance(); 
    372                                 filter.setParameter(attributes.getValue("param")); 
    373                                 testVersionFilters.add(filter); 
    374                         } 
    375                         else if( qName.equals("trainVersionfilter") ) { 
    376                                 final IVersionFilter filter = (IVersionFilter) Class.forName("de.ugoe.cs.cpdp.versions." + attributes.getValue("name")).newInstance(); 
    377                                 filter.setParameter(attributes.getValue("param")); 
    378                                 trainingVersionFilters.add(filter); 
    379                         } 
    380                         else if( qName.equals("setwisepreprocessor") ) { 
    381                                 final ISetWiseProcessingStrategy processor = (ISetWiseProcessingStrategy) Class.forName("de.ugoe.cs.cpdp.dataprocessing." + attributes.getValue("name")).newInstance();  
    382                                 processor.setParameter(attributes.getValue("param")); 
    383                                 setwisepreprocessors.add(processor); 
    384                         } 
    385                         else if( qName.equals("setwiseselector") ) { 
    386                                 final ISetWiseDataselectionStrategy selection = (ISetWiseDataselectionStrategy) Class.forName("de.ugoe.cs.cpdp.dataselection." +  attributes.getValue("name")).newInstance(); 
    387                                 selection.setParameter(attributes.getValue("param")); 
    388                                 setwiseselectors.add(selection); 
    389                         } 
    390                         else if( qName.equals("setwisepostprocessor") ) { 
    391                                 final ISetWiseProcessingStrategy processor = (ISetWiseProcessingStrategy) Class.forName("de.ugoe.cs.cpdp.dataprocessing." + attributes.getValue("name")).newInstance();  
    392                                 processor.setParameter(attributes.getValue("param")); 
    393                                 setwisepostprocessors.add(processor); 
    394                         } 
    395                         else if( qName.equals("setwisetrainer") ) { 
    396                                 final ISetWiseTrainingStrategy trainer = (ISetWiseTrainingStrategy) Class.forName("de.ugoe.cs.cpdp.training." +  attributes.getValue("name")).newInstance(); 
    397                                 trainer.setParameter(attributes.getValue("param")); 
    398                                 setwiseTrainers.add(trainer); 
    399                         } 
    400                         else if( qName.equals("preprocessor") ) { 
    401                                 final IProcessesingStrategy processor = (IProcessesingStrategy) Class.forName("de.ugoe.cs.cpdp.dataprocessing." +  attributes.getValue("name")).newInstance(); 
    402                                 processor.setParameter( attributes.getValue("param")); 
    403                                 preprocessors.add(processor); 
    404                         } 
    405                         else if( qName.equals("pointwiseselector") ) { 
    406                                 final IPointWiseDataselectionStrategy selection = (IPointWiseDataselectionStrategy) Class.forName("de.ugoe.cs.cpdp.dataselection." +  attributes.getValue("name")).newInstance(); 
    407                                 selection.setParameter( attributes.getValue("param")); 
    408                                 pointwiseselectors.add(selection); 
    409                         } 
    410                         else if( qName.equals("postprocessor") ) { 
    411                                 final IProcessesingStrategy processor = (IProcessesingStrategy) Class.forName("de.ugoe.cs.cpdp.dataprocessing." +  attributes.getValue("name")).newInstance(); 
    412                                 processor.setParameter( attributes.getValue("param")); 
    413                                 postprocessors.add(processor); 
    414                         } 
    415                         else if( qName.equals("trainer") ) { 
    416                                 final ITrainingStrategy trainer = (ITrainingStrategy) Class.forName("de.ugoe.cs.cpdp.training." +  attributes.getValue("name")).newInstance(); 
    417                                 trainer.setParameter(attributes.getValue("param")); 
    418                                 trainers.add(trainer); 
    419                         } 
    420                         else if( qName.equals("eval") ) { 
    421                                 final IEvaluationStrategy evaluator = (IEvaluationStrategy) Class.forName("de.ugoe.cs.cpdp.eval." + attributes.getValue("name")).newInstance(); 
    422                                 evaluators.add(evaluator); 
    423                         } 
    424                         else if( qName.equals("saveClassifier")) { 
    425                                 saveClassifier = true; 
    426                         } 
    427                         else if( qName.equals("executionStrategy")) { 
    428                                 executionStrategy = attributes.getValue("name"); 
    429                         } 
    430                         else if( qName.equals("partialconfig") ) { 
    431                                 String path = attributes.getValue("path"); 
    432                                 try { 
    433                                         boolean relative = true; 
    434                                         if( attributes.getValue("relative")!=null ) { 
    435                                                 relative = Boolean.parseBoolean(attributes.getValue("relative")); 
    436                                         } 
    437                                          
    438                                         if( relative ) { 
    439                                                 path = configFile.getParentFile().getPath() + "/" + path; 
    440                                         } 
    441                                         addConfigurations(new ExperimentConfiguration(path)); 
    442                                 } catch (ExperimentConfigurationException e) { 
    443                                         throw new SAXException("Could not load partial configuration: " + path, e); 
    444                                 }        
    445                         } else { 
    446                                 Console.traceln(Level.WARNING, "element in config-file " +  configFile.getName() + " ignored: " + qName); 
    447                         } 
    448                 } 
    449         catch (NoClassDefFoundError | ClassNotFoundException | IllegalAccessException | InstantiationException | ClassCastException e) { 
    450                 throw new SAXException("Could not initialize class correctly", (Exception) e); 
    451         } 
    452         } 
    453          
    454         /** 
    455          * Adds the information of another experiment configuration to this configuration. This mechanism allows the usage of partial configuration files. The name of the other configuration is lost. 
    456          * <br><br> 
    457          * If the current data path is the empty string (&quot;&quot;), it is override by the datapath of the other configuration. Otherwise, the current data path is kept. 
    458          * @param other experiment whose information is added 
    459          * @throws ExperimentConfigurationException  
    460          */ 
    461         private void addConfigurations(ExperimentConfiguration other) throws ExperimentConfigurationException { 
    462                 if( "results".equals(resultsPath) ) { 
    463                         resultsPath = other.resultsPath; 
    464                 } 
    465                 loaders.addAll(other.loaders); 
    466                 versionFilters.addAll(other.versionFilters); 
    467                 testVersionFilters.addAll(other.testVersionFilters); 
    468                 trainingVersionFilters.addAll(other.trainingVersionFilters); 
    469                 setwisepreprocessors.addAll(other.setwisepreprocessors); 
    470                 setwiseselectors.addAll(other.setwiseselectors); 
    471                 setwisepostprocessors.addAll(other.setwisepostprocessors); 
    472                 setwiseTrainers.addAll(other.setwiseTrainers); 
    473                 preprocessors.addAll(other.preprocessors); 
    474                 pointwiseselectors.addAll(other.pointwiseselectors); 
    475                 postprocessors.addAll(other.postprocessors); 
    476                 trainers.addAll(other.trainers); 
    477                 evaluators.addAll(other.evaluators); 
    478                  
    479                 if(!executionStrategy.equals(other.executionStrategy)) { 
    480                         throw new ExperimentConfigurationException("Executionstrategies must be the same, if config files should be added."); 
    481                 } 
    482                  
    483                 /* Only if saveClassifier is not set in the main config and 
    484                  * the other configs saveClassifier is true, it must be set. 
    485                  */ 
    486                 if(saveClassifier == null && other.saveClassifier == true) { 
    487                         saveClassifier = other.saveClassifier; 
    488                 } 
    489  
    490         } 
    491          
    492         /* (non-Javadoc) 
    493          * @see java.lang.Object#toString() 
    494          */ 
    495         @Override 
    496         public String toString() { 
    497                 final StringBuilder builder = new StringBuilder(); 
    498                 builder.append("Experiment name: " + experimentName + StringTools.ENDLINE); 
    499                 builder.append("Loaders: " + loaders + StringTools.ENDLINE); 
    500                 builder.append("Results path: " + resultsPath + StringTools.ENDLINE); 
    501                 builder.append("Version filters: " + versionFilters.toString() + StringTools.ENDLINE); 
    502                 builder.append("Test version filters: " + testVersionFilters.toString() + StringTools.ENDLINE); 
    503                 builder.append("Training version filters: " + trainingVersionFilters.toString() + StringTools.ENDLINE); 
    504                 builder.append("Setwise preprocessors: " + setwisepreprocessors.toString() + StringTools.ENDLINE); 
    505                 builder.append("Setwise selectors: " + setwiseselectors.toString() + StringTools.ENDLINE); 
    506                 builder.append("Setwise postprocessors: " + setwisepostprocessors.toString() + StringTools.ENDLINE); 
    507                 builder.append("Setwise trainers: " + setwiseTrainers.toString() + StringTools.ENDLINE); 
    508                 builder.append("Pointwise preprocessors: " + preprocessors.toString() + StringTools.ENDLINE); 
    509                 builder.append("Pointwise selectors: " + pointwiseselectors.toString() + StringTools.ENDLINE); 
    510                 builder.append("Pointwise postprocessors: " + postprocessors.toString() + StringTools.ENDLINE); 
    511                 builder.append("Pointwise trainers: " + trainers.toString() + StringTools.ENDLINE); 
    512                 builder.append("Evaluators: " + evaluators.toString() + StringTools.ENDLINE); 
    513                 builder.append("Save Classifier?: " + saveClassifier + StringTools.ENDLINE); 
    514                 builder.append("Execution Strategy: " + executionStrategy + StringTools.ENDLINE); 
    515                                  
    516                 return builder.toString(); 
    517         } 
     219            try { 
     220                saxParser.parse(inputSource, this); 
     221            } 
     222            catch (SAXException | IOException e) { 
     223                throw new ExperimentConfigurationException("Error parsing configuration.", e); 
     224            } 
     225        } 
     226        if (reader != null) { 
     227            try { 
     228                reader.close(); 
     229            } 
     230            catch (IOException e) { 
     231                throw new ExperimentConfigurationException("Error closing reader.", e); 
     232            } 
     233        } 
     234    } 
     235 
     236    /** 
     237     * returns the name of the experiment 
     238     *  
     239     * @return name of the experiment 
     240     */ 
     241    public String getExperimentName() { 
     242        return experimentName; 
     243    } 
     244 
     245    /** 
     246     * returns the loaders for instances 
     247     *  
     248     * @return data loaders 
     249     */ 
     250    public List<IVersionLoader> getLoaders() { 
     251        return loaders; 
     252    } 
     253 
     254    /** 
     255     * returns the results path 
     256     *  
     257     * @return results path 
     258     */ 
     259    public String getResultsPath() { 
     260        return resultsPath; 
     261    } 
     262 
     263    /** 
     264     * returns the data set filters of the experiment 
     265     *  
     266     * @return data set filters of the experiment 
     267     */ 
     268    public List<IVersionFilter> getVersionFilters() { 
     269        return versionFilters; 
     270    } 
     271 
     272    /** 
     273     * returns the test set filters of the experiment 
     274     *  
     275     * @return test set filters of the experiment 
     276     */ 
     277    public List<IVersionFilter> getTestVersionFilters() { 
     278        return testVersionFilters; 
     279    } 
     280 
     281    /** 
     282     * returns the candidate training version filters of the experiment 
     283     *  
     284     * @return candidate training version filters of the experiment 
     285     */ 
     286    public List<IVersionFilter> getTrainingVersionFilters() { 
     287        return trainingVersionFilters; 
     288    } 
     289 
     290    /** 
     291     * returns the setwise processors applied before the setwise data selection 
     292     *  
     293     * @return setwise processors applied before the setwise data selection 
     294     */ 
     295    public List<ISetWiseProcessingStrategy> getSetWisePreprocessors() { 
     296        return setwisepreprocessors; 
     297    } 
     298 
     299    /** 
     300     * returns the setwise data selection strategies 
     301     *  
     302     * @return setwise data selection strategies 
     303     */ 
     304    public List<ISetWiseDataselectionStrategy> getSetWiseSelectors() { 
     305        return setwiseselectors; 
     306    } 
     307 
     308    /** 
     309     * returns the setwise processors applied after the setwise data selection 
     310     *  
     311     * @return setwise processors applied after the setwise data selection 
     312     */ 
     313    public List<ISetWiseProcessingStrategy> getSetWisePostprocessors() { 
     314        return setwisepostprocessors; 
     315    } 
     316 
     317    /** 
     318     * returns the setwise training algorithms 
     319     *  
     320     * @return setwise training algorithms 
     321     */ 
     322    public List<ISetWiseTrainingStrategy> getSetWiseTrainers() { 
     323        return setwiseTrainers; 
     324    } 
     325 
     326    /** 
     327     * returns the processors applied before the pointwise data selection 
     328     *  
     329     * @return processors applied before the pointwise data selection 
     330     */ 
     331    public List<IProcessesingStrategy> getPreProcessors() { 
     332        return preprocessors; 
     333    } 
     334 
     335    /** 
     336     * returns the pointwise data selection strategies 
     337     *  
     338     * @return pointwise data selection strategies 
     339     */ 
     340    public List<IPointWiseDataselectionStrategy> getPointWiseSelectors() { 
     341        return pointwiseselectors; 
     342    } 
     343 
     344    /** 
     345     * returns the processors applied after the pointwise data selection 
     346     *  
     347     * @return processors applied after the pointwise data selection 
     348     */ 
     349    public List<IProcessesingStrategy> getPostProcessors() { 
     350        return postprocessors; 
     351    } 
     352 
     353    /** 
     354     * returns the normal training algorithm 
     355     *  
     356     * @return normal training algorithms 
     357     */ 
     358    public List<ITrainingStrategy> getTrainers() { 
     359        return trainers; 
     360    } 
     361 
     362    /** 
     363     * returns the evaluation strategies 
     364     *  
     365     * @return evaluation strategies 
     366     */ 
     367    public List<IEvaluationStrategy> getEvaluators() { 
     368        return evaluators; 
     369    } 
     370 
     371    /** 
     372     * returns boolean, if classifier should be saved 
     373     *  
     374     * @return boolean 
     375     */ 
     376    public boolean getSaveClassifier() { 
     377        return saveClassifier; 
     378    } 
     379 
     380    /** 
     381     * returns the execution strategy 
     382     *  
     383     * @return String execution strategy 
     384     */ 
     385    public String getExecutionStrategy() { 
     386        return executionStrategy; 
     387    } 
     388 
     389    /* 
     390     * (non-Javadoc) 
     391     *  
     392     * @see org.xml.sax.helpers.DefaultHandler#startElement(java.lang.String, java.lang.String, 
     393     * java.lang.String, org.xml.sax.Attributes) 
     394     */ 
     395    @Override 
     396    public void startElement(String uri, String localName, String qName, Attributes attributes) 
     397        throws SAXException 
     398    { 
     399        try { 
     400            if (qName.equals("config")) { 
     401                // ingore 
     402            } 
     403            else if (qName.equals("loader")) { 
     404                final IVersionLoader loader = 
     405                    (IVersionLoader) Class.forName("de.ugoe.cs.cpdp.loader." + 
     406                                                       attributes.getValue("name")).newInstance(); 
     407                loader.setLocation(attributes.getValue("datalocation")); 
     408                loaders.add(loader); 
     409 
     410                // TODO location as relative 
     411            } 
     412            else if (qName.equals("resultspath")) { 
     413                resultsPath = attributes.getValue("path"); 
     414            } 
     415            else if (qName.equals("versionfilter")) { 
     416                final IVersionFilter filter = 
     417                    (IVersionFilter) Class.forName("de.ugoe.cs.cpdp.versions." + 
     418                                                       attributes.getValue("name")).newInstance(); 
     419                filter.setParameter(attributes.getValue("param")); 
     420                versionFilters.add(filter); 
     421            } 
     422            else if (qName.equals("testVersionfilter")) { 
     423                final IVersionFilter filter = 
     424                    (IVersionFilter) Class.forName("de.ugoe.cs.cpdp.versions." + 
     425                                                       attributes.getValue("name")).newInstance(); 
     426                filter.setParameter(attributes.getValue("param")); 
     427                testVersionFilters.add(filter); 
     428            } 
     429            else if (qName.equals("trainVersionfilter")) { 
     430                final IVersionFilter filter = 
     431                    (IVersionFilter) Class.forName("de.ugoe.cs.cpdp.versions." + 
     432                                                       attributes.getValue("name")).newInstance(); 
     433                filter.setParameter(attributes.getValue("param")); 
     434                trainingVersionFilters.add(filter); 
     435            } 
     436            else if (qName.equals("setwisepreprocessor")) { 
     437                final ISetWiseProcessingStrategy processor = 
     438                    (ISetWiseProcessingStrategy) Class.forName("de.ugoe.cs.cpdp.dataprocessing." + 
     439                                                                   attributes.getValue("name")) 
     440                        .newInstance(); 
     441                processor.setParameter(attributes.getValue("param")); 
     442                setwisepreprocessors.add(processor); 
     443            } 
     444            else if (qName.equals("setwiseselector")) { 
     445                final ISetWiseDataselectionStrategy selection = 
     446                    (ISetWiseDataselectionStrategy) Class.forName("de.ugoe.cs.cpdp.dataselection." + 
     447                                                                      attributes.getValue("name")) 
     448                        .newInstance(); 
     449                selection.setParameter(attributes.getValue("param")); 
     450                setwiseselectors.add(selection); 
     451            } 
     452            else if (qName.equals("setwisepostprocessor")) { 
     453                final ISetWiseProcessingStrategy processor = 
     454                    (ISetWiseProcessingStrategy) Class.forName("de.ugoe.cs.cpdp.dataprocessing." + 
     455                                                                   attributes.getValue("name")) 
     456                        .newInstance(); 
     457                processor.setParameter(attributes.getValue("param")); 
     458                setwisepostprocessors.add(processor); 
     459            } 
     460            else if (qName.equals("setwisetrainer")) { 
     461                final ISetWiseTrainingStrategy trainer = 
     462                    (ISetWiseTrainingStrategy) Class.forName("de.ugoe.cs.cpdp.training." + 
     463                                                                 attributes.getValue("name")) 
     464                        .newInstance(); 
     465                trainer.setParameter(attributes.getValue("param")); 
     466                setwiseTrainers.add(trainer); 
     467            } 
     468            else if (qName.equals("preprocessor")) { 
     469                final IProcessesingStrategy processor = 
     470                    (IProcessesingStrategy) Class.forName("de.ugoe.cs.cpdp.dataprocessing." + 
     471                                                              attributes.getValue("name")) 
     472                        .newInstance(); 
     473                processor.setParameter(attributes.getValue("param")); 
     474                preprocessors.add(processor); 
     475            } 
     476            else if (qName.equals("pointwiseselector")) { 
     477                final IPointWiseDataselectionStrategy selection = 
     478                    (IPointWiseDataselectionStrategy) Class 
     479                        .forName("de.ugoe.cs.cpdp.dataselection." + attributes.getValue("name")) 
     480                        .newInstance(); 
     481                selection.setParameter(attributes.getValue("param")); 
     482                pointwiseselectors.add(selection); 
     483            } 
     484            else if (qName.equals("postprocessor")) { 
     485                final IProcessesingStrategy processor = 
     486                    (IProcessesingStrategy) Class.forName("de.ugoe.cs.cpdp.dataprocessing." + 
     487                                                              attributes.getValue("name")) 
     488                        .newInstance(); 
     489                processor.setParameter(attributes.getValue("param")); 
     490                postprocessors.add(processor); 
     491            } 
     492            else if (qName.equals("trainer")) { 
     493                final ITrainingStrategy trainer = 
     494                    (ITrainingStrategy) Class.forName("de.ugoe.cs.cpdp.training." + 
     495                                                          attributes.getValue("name")) 
     496                        .newInstance(); 
     497                trainer.setParameter(attributes.getValue("param")); 
     498                trainers.add(trainer); 
     499            } 
     500            else if (qName.equals("eval")) { 
     501                final IEvaluationStrategy evaluator = 
     502                    (IEvaluationStrategy) Class.forName("de.ugoe.cs.cpdp.eval." + 
     503                                                            attributes.getValue("name")) 
     504                        .newInstance(); 
     505                evaluators.add(evaluator); 
     506            } 
     507            else if (qName.equals("saveClassifier")) { 
     508                saveClassifier = true; 
     509            } 
     510            else if (qName.equals("executionStrategy")) { 
     511                executionStrategy = attributes.getValue("name"); 
     512            } 
     513            else if (qName.equals("partialconfig")) { 
     514                String path = attributes.getValue("path"); 
     515                try { 
     516                    boolean relative = true; 
     517                    if (attributes.getValue("relative") != null) { 
     518                        relative = Boolean.parseBoolean(attributes.getValue("relative")); 
     519                    } 
     520 
     521                    if (relative) { 
     522                        path = configFile.getParentFile().getPath() + "/" + path; 
     523                    } 
     524                    addConfigurations(new ExperimentConfiguration(path)); 
     525                } 
     526                catch (ExperimentConfigurationException e) { 
     527                    throw new SAXException("Could not load partial configuration: " + path, e); 
     528                } 
     529            } 
     530            else { 
     531                Console.traceln(Level.WARNING, "element in config-file " + configFile.getName() + 
     532                    " ignored: " + qName); 
     533            } 
     534        } 
     535        catch (NoClassDefFoundError | ClassNotFoundException | IllegalAccessException 
     536                | InstantiationException | ClassCastException e) 
     537        { 
     538            throw new SAXException("Could not initialize class correctly", (Exception) e); 
     539        } 
     540    } 
     541 
     542    /** 
     543     * Adds the information of another experiment configuration to this configuration. This 
     544     * mechanism allows the usage of partial configuration files. The name of the other 
     545     * configuration is lost. <br> 
     546     * <br> 
     547     * If the current data path is the empty string (&quot;&quot;), it is override by the datapath 
     548     * of the other configuration. Otherwise, the current data path is kept. 
     549     *  
     550     * @param other 
     551     *            experiment whose information is added 
     552     * @throws ExperimentConfigurationException 
     553     */ 
     554    private void addConfigurations(ExperimentConfiguration other) 
     555        throws ExperimentConfigurationException 
     556    { 
     557        if ("results".equals(resultsPath)) { 
     558            resultsPath = other.resultsPath; 
     559        } 
     560        loaders.addAll(other.loaders); 
     561        versionFilters.addAll(other.versionFilters); 
     562        testVersionFilters.addAll(other.testVersionFilters); 
     563        trainingVersionFilters.addAll(other.trainingVersionFilters); 
     564        setwisepreprocessors.addAll(other.setwisepreprocessors); 
     565        setwiseselectors.addAll(other.setwiseselectors); 
     566        setwisepostprocessors.addAll(other.setwisepostprocessors); 
     567        setwiseTrainers.addAll(other.setwiseTrainers); 
     568        preprocessors.addAll(other.preprocessors); 
     569        pointwiseselectors.addAll(other.pointwiseselectors); 
     570        postprocessors.addAll(other.postprocessors); 
     571        trainers.addAll(other.trainers); 
     572        evaluators.addAll(other.evaluators); 
     573 
     574        if (!executionStrategy.equals(other.executionStrategy)) { 
     575            throw new ExperimentConfigurationException( 
     576                                                       "Executionstrategies must be the same, if config files should be added."); 
     577        } 
     578 
     579        /* 
     580         * Only if saveClassifier is not set in the main config and the other configs saveClassifier 
     581         * is true, it must be set. 
     582         */ 
     583        if (saveClassifier == null && other.saveClassifier == true) { 
     584            saveClassifier = other.saveClassifier; 
     585        } 
     586 
     587    } 
     588 
     589    /* 
     590     * (non-Javadoc) 
     591     *  
     592     * @see java.lang.Object#toString() 
     593     */ 
     594    @Override 
     595    public String toString() { 
     596        final StringBuilder builder = new StringBuilder(); 
     597        builder.append("Experiment name: " + experimentName + StringTools.ENDLINE); 
     598        builder.append("Loaders: " + loaders + StringTools.ENDLINE); 
     599        builder.append("Results path: " + resultsPath + StringTools.ENDLINE); 
     600        builder.append("Version filters: " + versionFilters.toString() + StringTools.ENDLINE); 
     601        builder.append("Test version filters: " + testVersionFilters.toString() + 
     602            StringTools.ENDLINE); 
     603        builder.append("Training version filters: " + trainingVersionFilters.toString() + 
     604            StringTools.ENDLINE); 
     605        builder.append("Setwise preprocessors: " + setwisepreprocessors.toString() + 
     606            StringTools.ENDLINE); 
     607        builder.append("Setwise selectors: " + setwiseselectors.toString() + StringTools.ENDLINE); 
     608        builder.append("Setwise postprocessors: " + setwisepostprocessors.toString() + 
     609            StringTools.ENDLINE); 
     610        builder.append("Setwise trainers: " + setwiseTrainers.toString() + StringTools.ENDLINE); 
     611        builder 
     612            .append("Pointwise preprocessors: " + preprocessors.toString() + StringTools.ENDLINE); 
     613        builder.append("Pointwise selectors: " + pointwiseselectors.toString() + 
     614            StringTools.ENDLINE); 
     615        builder.append("Pointwise postprocessors: " + postprocessors.toString() + 
     616            StringTools.ENDLINE); 
     617        builder.append("Pointwise trainers: " + trainers.toString() + StringTools.ENDLINE); 
     618        builder.append("Evaluators: " + evaluators.toString() + StringTools.ENDLINE); 
     619        builder.append("Save Classifier?: " + saveClassifier + StringTools.ENDLINE); 
     620        builder.append("Execution Strategy: " + executionStrategy + StringTools.ENDLINE); 
     621 
     622        return builder.toString(); 
     623    } 
    518624} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/ExperimentConfigurationException.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp; 
    216 
    317/** 
    418 * Thrown if there is an error creating an experiment configuration. 
     19 *  
    520 * @author Steffen Herbold 
    621 */ 
    722public class ExperimentConfigurationException extends Exception { 
    823 
    9         /** 
    10          * Standard serialization ID.  
    11         */ 
    12         private static final long serialVersionUID = 1L; 
    13          
    14         /** 
    15          * @see Exception#Exception()  
    16         */ 
    17         public ExperimentConfigurationException() { 
    18                 super(); 
    19         } 
    20          
    21         /** 
    22         * @see Exception#Exception(String) 
    23         */ 
    24         public ExperimentConfigurationException(String message) { 
    25                 super(message); 
    26         } 
    27          
    28         /** 
    29         * @see Exception#Exception(String, Throwable) 
    30         */ 
    31         public ExperimentConfigurationException(String message, Throwable e) { 
    32                 super(message, e); 
    33         } 
    34          
    35         /** 
    36         * @see Exception#Exception(Throwable) 
    37         */ 
    38         public ExperimentConfigurationException(Throwable e) { 
    39                 super(e); 
    40         } 
     24    /** 
     25     * Standard serialization ID. 
     26    */ 
     27    private static final long serialVersionUID = 1L; 
     28 
     29    /** 
     30     * @see Exception#Exception() 
     31    */ 
     32    public ExperimentConfigurationException() { 
     33        super(); 
     34    } 
     35 
     36    /** 
     37    * @see Exception#Exception(String) 
     38    */ 
     39    public ExperimentConfigurationException(String message) { 
     40        super(message); 
     41    } 
     42 
     43    /** 
     44    * @see Exception#Exception(String, Throwable) 
     45    */ 
     46    public ExperimentConfigurationException(String message, Throwable e) { 
     47        super(message, e); 
     48    } 
     49 
     50    /** 
     51    * @see Exception#Exception(Throwable) 
     52    */ 
     53    public ExperimentConfigurationException(Throwable e) { 
     54        super(e); 
     55    } 
    4156 
    4257} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/IParameterizable.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp; 
    216 
    317/** 
    4  * Interface that defines that an entity excepts a parameter string. Can be used to configure parts of an experiment. How (and if) this parameter is interpreted depends entirely on the entity. 
     18 * Interface that defines that an entity excepts a parameter string. Can be used to configure parts 
     19 * of an experiment. How (and if) this parameter is interpreted depends entirely on the entity. 
     20 *  
    521 * @author Steffen Herbold 
    6  * 
     22 *  
    723 */ 
    824public interface IParameterizable { 
    925 
    10         /** 
    11          * Sets the parameters of an entity. 
    12          * @param parameters parameters as string 
    13          */ 
    14         void setParameter(String parameters); 
     26    /** 
     27     * Sets the parameters of an entity. 
     28     *  
     29     * @param parameters 
     30     *            parameters as string 
     31     */ 
     32    void setParameter(String parameters); 
    1533} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/Runner.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp; 
    216 
     
    1529/** 
    1630 * Executable that can be used to run experiments. 
     31 *  
    1732 * @author Steffen Herbold 
    18  * 
     33 *  
    1934 */ 
    2035public class Runner { 
    21          
    22         /** 
    23          * Main class. The arguments are {@link ExperimentConfiguration} files. Each experiment is started in a separate thread. The number of concurrently running threads is the number of logical processors of the host system.  
    24          * @param args experiment configuration files 
    25          */ 
    26         public static void main(String[] args) { 
    27                 new TextConsole(Level.FINE); 
    28                 final int concurrentThreads = Runtime.getRuntime().availableProcessors()-2; 
    29                 final ExecutorService threadPool = Executors.newFixedThreadPool(concurrentThreads); 
    30                 for( String arg : args ) { 
    31                         File file = new File(arg); 
    32                         if( file.isFile() ) { 
    33                                 createConfig(threadPool, file.getAbsolutePath()); 
    34                         } 
    35                         else if( file.isDirectory() ) { 
    36                                 for( File subfile : file.listFiles() ) { 
    37                                         if( subfile.isFile() ) { 
    38                                                 createConfig(threadPool, subfile.getAbsolutePath()); 
    39                                         } 
    40                                 } 
    41                         } 
    42                 } 
    43                 threadPool.shutdown(); 
    44                 try { 
    45                         threadPool.awaitTermination(Long.MAX_VALUE, TimeUnit.SECONDS); 
    46                 } catch (InterruptedException e) { 
    47                         e.printStackTrace(); 
    48                 } 
    49         } 
    50          
    51         /** 
    52          * Creates the config and starts the corresponding experiment 
    53          * @param threadPool  
    54          * @param configFile location of the config file 
    55          */ 
    56         public static void createConfig(ExecutorService threadPool, String configFile) { 
    57                 ExperimentConfiguration config = null; 
    58                 try { 
    59                         config = new ExperimentConfiguration(configFile); 
    60                 } catch (Exception e) { 
    61                         Console.printerrln("Failure initializing the experiment configuration for configuration file " + configFile); 
    62                         e.printStackTrace(); 
    63                 } 
    6436 
    65                 if( config!=null ) { 
    66                         Console.trace(Level.FINE, config.toString()); 
    67                         // Instantiate the class like it was given as parameter in the config file and cast it to the interface 
    68                         try { 
    69                                 // Because we need to pass a parameter, a normal new Instance call is not possible 
    70                                 Class<?> executionStrategyClass = Class.forName("de.ugoe.cs.cpdp.execution."+config.getExecutionStrategy()); 
    71                                 Constructor<?> executionStrategyConstructor =  
    72                                                 executionStrategyClass.getConstructor(ExperimentConfiguration.class); 
    73                          
    74                                 IExecutionStrategy experiment = (IExecutionStrategy) executionStrategyConstructor.newInstance(config); 
    75                                 threadPool.execute(experiment); 
    76                         } catch (NoSuchMethodException e) { 
    77                                 Console.printerrln("Class \"" + config.getExecutionStrategy()+ "\" does not have the right Constructor"); 
    78                                 e.printStackTrace(); 
    79                         } catch (SecurityException e) { 
    80                                 Console.printerrln("Security manager prevents reflection"); 
    81                                 e.printStackTrace(); 
    82                         } catch (IllegalArgumentException e) { 
    83                                 Console.printerrln("Class \"" + config.getExecutionStrategy()+ "\" does not have a Constructor, which" 
    84                                                 + "matches the given arguments"); 
    85                                 e.printStackTrace(); 
    86                         } catch (InvocationTargetException e) { 
    87                                 Console.printerrln("Constructor in Class \"" + config.getExecutionStrategy()+ "\" is not public"); 
    88                                 e.printStackTrace(); 
    89                         } catch (InstantiationException e) { 
    90                                 Console.printerrln("Cannot instantiate Class \"" + config.getExecutionStrategy()+"\""); 
    91                                 e.printStackTrace(); 
    92                         } catch (IllegalAccessException e) { 
    93                                 Console.printerrln("Cannot access Class \"" + config.getExecutionStrategy()+"\""); 
    94                                 e.printStackTrace(); 
    95                         } catch (ClassNotFoundException e) { 
    96                                 Console.printerrln("Class \"" + config.getExecutionStrategy()+ "\" was not found"); 
    97                                 e.printStackTrace(); 
    98                         } 
    99                          
    100                 } 
    101                  
    102         } 
     37    /** 
     38     * Main class. The arguments are {@link ExperimentConfiguration} files. Each experiment is 
     39     * started in a separate thread. The number of concurrently running threads is the number of 
     40     * logical processors of the host system. 
     41     *  
     42     * @param args 
     43     *            experiment configuration files 
     44     */ 
     45    public static void main(String[] args) { 
     46        new TextConsole(Level.FINE); 
     47        final int concurrentThreads = Runtime.getRuntime().availableProcessors() - 2; 
     48        final ExecutorService threadPool = Executors.newFixedThreadPool(concurrentThreads); 
     49        for (String arg : args) { 
     50            File file = new File(arg); 
     51            if (file.isFile()) { 
     52                createConfig(threadPool, file.getAbsolutePath()); 
     53            } 
     54            else if (file.isDirectory()) { 
     55                for (File subfile : file.listFiles()) { 
     56                    if (subfile.isFile()) { 
     57                        createConfig(threadPool, subfile.getAbsolutePath()); 
     58                    } 
     59                } 
     60            } 
     61        } 
     62        threadPool.shutdown(); 
     63        try { 
     64            threadPool.awaitTermination(Long.MAX_VALUE, TimeUnit.SECONDS); 
     65        } 
     66        catch (InterruptedException e) { 
     67            e.printStackTrace(); 
     68        } 
     69    } 
     70 
     71    /** 
     72     * Creates the config and starts the corresponding experiment 
     73     *  
     74     * @param threadPool 
     75     * @param configFile 
     76     *            location of the config file 
     77     */ 
     78    public static void createConfig(ExecutorService threadPool, String configFile) { 
     79        ExperimentConfiguration config = null; 
     80        try { 
     81            config = new ExperimentConfiguration(configFile); 
     82        } 
     83        catch (Exception e) { 
     84            Console 
     85                .printerrln("Failure initializing the experiment configuration for configuration file " + 
     86                    configFile); 
     87            e.printStackTrace(); 
     88        } 
     89 
     90        if (config != null) { 
     91            Console.trace(Level.FINE, config.toString()); 
     92            // Instantiate the class like it was given as parameter in the config file and cast it 
     93            // to the interface 
     94            try { 
     95                // Because we need to pass a parameter, a normal new Instance call is not possible 
     96                Class<?> executionStrategyClass = 
     97                    Class.forName("de.ugoe.cs.cpdp.execution." + config.getExecutionStrategy()); 
     98                Constructor<?> executionStrategyConstructor = 
     99                    executionStrategyClass.getConstructor(ExperimentConfiguration.class); 
     100 
     101                IExecutionStrategy experiment = 
     102                    (IExecutionStrategy) executionStrategyConstructor.newInstance(config); 
     103                threadPool.execute(experiment); 
     104            } 
     105            catch (NoSuchMethodException e) { 
     106                Console.printerrln("Class \"" + config.getExecutionStrategy() + 
     107                    "\" does not have the right Constructor"); 
     108                e.printStackTrace(); 
     109            } 
     110            catch (SecurityException e) { 
     111                Console.printerrln("Security manager prevents reflection"); 
     112                e.printStackTrace(); 
     113            } 
     114            catch (IllegalArgumentException e) { 
     115                Console.printerrln("Class \"" + config.getExecutionStrategy() + 
     116                    "\" does not have a Constructor, which" + "matches the given arguments"); 
     117                e.printStackTrace(); 
     118            } 
     119            catch (InvocationTargetException e) { 
     120                Console.printerrln("Constructor in Class \"" + config.getExecutionStrategy() + 
     121                    "\" is not public"); 
     122                e.printStackTrace(); 
     123            } 
     124            catch (InstantiationException e) { 
     125                Console.printerrln("Cannot instantiate Class \"" + config.getExecutionStrategy() + 
     126                    "\""); 
     127                e.printStackTrace(); 
     128            } 
     129            catch (IllegalAccessException e) { 
     130                Console.printerrln("Cannot access Class \"" + config.getExecutionStrategy() + "\""); 
     131                e.printStackTrace(); 
     132            } 
     133            catch (ClassNotFoundException e) { 
     134                Console.printerrln("Class \"" + config.getExecutionStrategy() + "\" was not found"); 
     135                e.printStackTrace(); 
     136            } 
     137 
     138        } 
     139 
     140    } 
    103141} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/AttributeNonRemoval.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * Removes attributes from all data sets, except the one defined, using their name.  
     24 * Removes attributes from all data sets, except the one defined, using their name. 
     25 *  
    1126 * @author Fabian Trautsch 
    1227 */ 
    1328public class AttributeNonRemoval implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
    1429 
    15         /** 
    16          * names of the attributes to be kept (determined by {@link #setParameter(String)})  
    17          */ 
    18         private ArrayList<String> attributeNames = new ArrayList<String>(); 
    19          
    20         /** 
    21          * Sets that attributes that will be kept. The string contains the blank-separated names of the attributes to be kept. 
    22          * <br><br> 
    23          * Note, that keeping of attributes with blanks is currently not supported! 
    24          * @param parameters string with the blank-separated attribute names 
    25          */ 
    26         @Override 
    27         public void setParameter(String parameters) { 
    28                 if( parameters!=null ) { 
    29                         String[] attributeNamesArray = parameters.split(" "); 
    30                         for(String attributeName : attributeNamesArray) { 
    31                                 attributeNames.add(attributeName); 
    32                         } 
    33                 } 
    34         } 
     30    /** 
     31     * names of the attributes to be kept (determined by {@link #setParameter(String)}) 
     32     */ 
     33    private ArrayList<String> attributeNames = new ArrayList<String>(); 
    3534 
    36         /** 
    37          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    38          */ 
    39         @Override 
    40         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    41                 for( String attributeName : attributeNames ) { 
    42                         for( int i=0 ; i<testdata.numAttributes() ; i++ ) { 
    43                                 if(!attributeName.equals(testdata.attribute(i).name()) ) { 
    44                                         testdata.deleteAttributeAt(i); 
    45                                         for( Instances traindata : traindataSet ) { 
    46                                                 traindata.deleteAttributeAt(i); 
    47                                         } 
    48                                 } 
    49                         } 
    50                 } 
    51         } 
     35    /** 
     36     * Sets that attributes that will be kept. The string contains the blank-separated names of the 
     37     * attributes to be kept. <br> 
     38     * <br> 
     39     * Note, that keeping of attributes with blanks is currently not supported! 
     40     *  
     41     * @param parameters 
     42     *            string with the blank-separated attribute names 
     43     */ 
     44    @Override 
     45    public void setParameter(String parameters) { 
     46        if (parameters != null) { 
     47            String[] attributeNamesArray = parameters.split(" "); 
     48            for (String attributeName : attributeNamesArray) { 
     49                attributeNames.add(attributeName); 
     50            } 
     51        } 
     52    } 
    5253 
    53         /** 
    54          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    55          */ 
    56         @Override 
    57         public void apply(Instances testdata, Instances traindata) { 
    58                 for(int i=testdata.numAttributes()-1; i>=0; i--) { 
    59                         if(!attributeNames.contains(testdata.attribute(i).name())) { 
    60                                 testdata.deleteAttributeAt(i); 
    61                                 traindata.deleteAttributeAt(i); 
    62                         } 
    63                 } 
    64         } 
     54    /** 
     55     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     56     *      org.apache.commons.collections4.list.SetUniqueList) 
     57     */ 
     58    @Override 
     59    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     60        for (String attributeName : attributeNames) { 
     61            for (int i = 0; i < testdata.numAttributes(); i++) { 
     62                if (!attributeName.equals(testdata.attribute(i).name())) { 
     63                    testdata.deleteAttributeAt(i); 
     64                    for (Instances traindata : traindataSet) { 
     65                        traindata.deleteAttributeAt(i); 
     66                    } 
     67                } 
     68            } 
     69        } 
     70    } 
     71 
     72    /** 
     73     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     74     *      weka.core.Instances) 
     75     */ 
     76    @Override 
     77    public void apply(Instances testdata, Instances traindata) { 
     78        for (int i = testdata.numAttributes() - 1; i >= 0; i--) { 
     79            if (!attributeNames.contains(testdata.attribute(i).name())) { 
     80                testdata.deleteAttributeAt(i); 
     81                traindata.deleteAttributeAt(i); 
     82            } 
     83        } 
     84    } 
    6585} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/AttributeRemoval.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    620 
    721/** 
    8  * Removes an attributes from all data sets using their name.  
     22 * Removes an attributes from all data sets using their name. 
     23 *  
    924 * @author Steffen Herbold 
    1025 */ 
    1126public class AttributeRemoval implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
    1227 
    13         /** 
    14          * names of the attributes to be removed (determined by {@link #setParameter(String)})  
    15          */ 
    16         private String[] attributeNames = new String[]{}; 
    17          
    18         /** 
    19          * Sets that attributes that will be removed. The string contains the blank-separated names of the attributes to be removed. 
    20          * <br><br> 
    21          * Note, that removal of attributes with blanks is currently not supported! 
    22          * @param parameters string with the blank-separated attribute names 
    23          */ 
    24         @Override 
    25         public void setParameter(String parameters) { 
    26                 if( parameters!=null ) { 
    27                         attributeNames = parameters.split(" "); 
    28                 } 
    29         } 
     28    /** 
     29     * names of the attributes to be removed (determined by {@link #setParameter(String)}) 
     30     */ 
     31    private String[] attributeNames = new String[] { }; 
    3032 
    31         /** 
    32          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    33          */ 
    34         @Override 
    35         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    36                 for( String attributeName : attributeNames ) { 
    37                         for( int i=0 ; i<testdata.numAttributes() ; i++ ) { 
    38                                 if( attributeName.equals(testdata.attribute(i).name()) ) { 
    39                                         testdata.deleteAttributeAt(i); 
    40                                         for( Instances traindata : traindataSet ) { 
    41                                                 traindata.deleteAttributeAt(i); 
    42                                         } 
    43                                 } 
    44                         } 
    45                 } 
    46         } 
     33    /** 
     34     * Sets that attributes that will be removed. The string contains the blank-separated names of 
     35     * the attributes to be removed. <br> 
     36     * <br> 
     37     * Note, that removal of attributes with blanks is currently not supported! 
     38     *  
     39     * @param parameters 
     40     *            string with the blank-separated attribute names 
     41     */ 
     42    @Override 
     43    public void setParameter(String parameters) { 
     44        if (parameters != null) { 
     45            attributeNames = parameters.split(" "); 
     46        } 
     47    } 
    4748 
    48         /** 
    49          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    50          */ 
    51         @Override 
    52         public void apply(Instances testdata, Instances traindata) { 
    53                 for( String attributeName : attributeNames ) { 
    54                         for( int i=0 ; i<testdata.numAttributes() ; i++ ) { 
    55                                 if( attributeName.equals(testdata.attribute(i).name()) ) { 
    56                                         testdata.deleteAttributeAt(i); 
    57                                         traindata.deleteAttributeAt(i); 
    58                                 } 
    59                         } 
    60                 } 
    61         } 
     49    /** 
     50     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     51     *      org.apache.commons.collections4.list.SetUniqueList) 
     52     */ 
     53    @Override 
     54    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     55        for (String attributeName : attributeNames) { 
     56            for (int i = 0; i < testdata.numAttributes(); i++) { 
     57                if (attributeName.equals(testdata.attribute(i).name())) { 
     58                    testdata.deleteAttributeAt(i); 
     59                    for (Instances traindata : traindataSet) { 
     60                        traindata.deleteAttributeAt(i); 
     61                    } 
     62                } 
     63            } 
     64        } 
     65    } 
     66 
     67    /** 
     68     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     69     *      weka.core.Instances) 
     70     */ 
     71    @Override 
     72    public void apply(Instances testdata, Instances traindata) { 
     73        for (String attributeName : attributeNames) { 
     74            for (int i = 0; i < testdata.numAttributes(); i++) { 
     75                if (attributeName.equals(testdata.attribute(i).name())) { 
     76                    testdata.deleteAttributeAt(i); 
     77                    traindata.deleteAttributeAt(i); 
     78                } 
     79            } 
     80        } 
     81    } 
    6282} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/AverageStandardization.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * Standardization procedure after Watanabe et al.: Adapting a Fault Prediction Model to Allow Inter Language Reuse. 
    11  * <br><br> 
    12  * In comparison to Watanabe et al., we transform training data instead of the test data. Otherwise, this approach would not be feasible with multiple projects. 
     24 * Standardization procedure after Watanabe et al.: Adapting a Fault Prediction Model to Allow Inter 
     25 * Language Reuse. <br> 
     26 * <br> 
     27 * In comparison to Watanabe et al., we transform training data instead of the test data. Otherwise, 
     28 * this approach would not be feasible with multiple projects. 
     29 *  
    1330 * @author Steffen Herbold 
    1431 */ 
    1532public class AverageStandardization implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
    1633 
    17         /** 
    18          * Does not have parameters. String is ignored. 
    19          * @param parameters ignored 
    20          */ 
    21         @Override 
    22         public void setParameter(String parameters) { 
    23                 // dummy 
    24         } 
     34    /** 
     35     * Does not have parameters. String is ignored. 
     36     *  
     37     * @param parameters 
     38     *            ignored 
     39     */ 
     40    @Override 
     41    public void setParameter(String parameters) { 
     42        // dummy 
     43    } 
    2544 
    26         /** 
    27          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    28          */ 
    29         @Override 
    30         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    31                 final Attribute classAttribute = testdata.classAttribute(); 
    32                  
    33                 final double[] meanTest = new double[testdata.numAttributes()]; 
    34                  
    35                 // get means of testdata 
    36                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    37                         if( testdata.attribute(j)!=classAttribute ) { 
    38                                 meanTest[j] = testdata.meanOrMode(j); 
    39                         } 
    40                 } 
    41                  
    42                 // preprocess training data 
    43                 for( Instances traindata : traindataSet ) { 
    44                         double[] meanTrain = new double[testdata.numAttributes()]; 
    45                         for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    46                                 if( testdata.attribute(j)!=classAttribute ) { 
    47                                         meanTrain[j] = traindata.meanOrMode(j); 
    48                                 } 
    49                         } 
    50                          
    51                         for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    52                                 Instance instance = traindata.instance(i); 
    53                                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    54                                         if( testdata.attribute(j)!=classAttribute ) { 
    55                                                 instance.setValue(j, instance.value(j)*meanTest[j]/meanTrain[j]); 
    56                                         } 
    57                                 } 
    58                         } 
    59                 } 
    60         } 
     45    /** 
     46     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     47     *      org.apache.commons.collections4.list.SetUniqueList) 
     48     */ 
     49    @Override 
     50    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     51        final Attribute classAttribute = testdata.classAttribute(); 
    6152 
    62         /** 
    63          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    64          */ 
    65         @Override 
    66         public void apply(Instances testdata, Instances traindata) { 
    67                 final Attribute classAttribute = testdata.classAttribute(); 
    68                  
    69                 final double[] meanTest = new double[testdata.numAttributes()]; 
    70                  
    71                 // get means of testdata 
    72                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    73                         if( testdata.attribute(j)!=classAttribute ) { 
    74                                 meanTest[j] = testdata.meanOrMode(j); 
    75                         } 
    76                 } 
    77                  
    78                 // preprocess training data 
    79                 final double[] meanTrain = new double[testdata.numAttributes()]; 
    80                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    81                         if( testdata.attribute(j)!=classAttribute ) { 
    82                                 meanTrain[j] = traindata.meanOrMode(j); 
    83                         } 
    84                 } 
    85                  
    86                 for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    87                         Instance instance = traindata.instance(i); 
    88                         for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    89                                 if( testdata.attribute(j)!=classAttribute ) { 
    90                                         instance.setValue(j, instance.value(j)*meanTest[j]/meanTrain[j]); 
    91                                 } 
    92                         } 
    93                 } 
    94         } 
     53        final double[] meanTest = new double[testdata.numAttributes()]; 
     54 
     55        // get means of testdata 
     56        for (int j = 0; j < testdata.numAttributes(); j++) { 
     57            if (testdata.attribute(j) != classAttribute) { 
     58                meanTest[j] = testdata.meanOrMode(j); 
     59            } 
     60        } 
     61 
     62        // preprocess training data 
     63        for (Instances traindata : traindataSet) { 
     64            double[] meanTrain = new double[testdata.numAttributes()]; 
     65            for (int j = 0; j < testdata.numAttributes(); j++) { 
     66                if (testdata.attribute(j) != classAttribute) { 
     67                    meanTrain[j] = traindata.meanOrMode(j); 
     68                } 
     69            } 
     70 
     71            for (int i = 0; i < traindata.numInstances(); i++) { 
     72                Instance instance = traindata.instance(i); 
     73                for (int j = 0; j < testdata.numAttributes(); j++) { 
     74                    if (testdata.attribute(j) != classAttribute) { 
     75                        instance.setValue(j, instance.value(j) * meanTest[j] / meanTrain[j]); 
     76                    } 
     77                } 
     78            } 
     79        } 
     80    } 
     81 
     82    /** 
     83     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     84     *      weka.core.Instances) 
     85     */ 
     86    @Override 
     87    public void apply(Instances testdata, Instances traindata) { 
     88        final Attribute classAttribute = testdata.classAttribute(); 
     89 
     90        final double[] meanTest = new double[testdata.numAttributes()]; 
     91 
     92        // get means of testdata 
     93        for (int j = 0; j < testdata.numAttributes(); j++) { 
     94            if (testdata.attribute(j) != classAttribute) { 
     95                meanTest[j] = testdata.meanOrMode(j); 
     96            } 
     97        } 
     98 
     99        // preprocess training data 
     100        final double[] meanTrain = new double[testdata.numAttributes()]; 
     101        for (int j = 0; j < testdata.numAttributes(); j++) { 
     102            if (testdata.attribute(j) != classAttribute) { 
     103                meanTrain[j] = traindata.meanOrMode(j); 
     104            } 
     105        } 
     106 
     107        for (int i = 0; i < traindata.numInstances(); i++) { 
     108            Instance instance = traindata.instance(i); 
     109            for (int j = 0; j < testdata.numAttributes(); j++) { 
     110                if (testdata.attribute(j) != classAttribute) { 
     111                    instance.setValue(j, instance.value(j) * meanTest[j] / meanTrain[j]); 
     112                } 
     113            } 
     114        } 
     115    } 
    95116 
    96117} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/BiasedWeights.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    721 
    822/** 
    9  * Sets the bias of the weights of the training data. By using a bias of 0.5 (default value) the total weight of the positive instances (i.e. 
    10  * fault-prone) is equal to the total weight of the negative instances (i.e. non-fault-prone). Otherwise the weights between the two will be  
    11  * distributed according to the bias, where &lt;0.5 means in favor of the negative instances and &gt;0.5 in favor of the positive instances.  
    12  * equal to the total weight of the test  
     23 * Sets the bias of the weights of the training data. By using a bias of 0.5 (default value) the 
     24 * total weight of the positive instances (i.e. fault-prone) is equal to the total weight of the 
     25 * negative instances (i.e. non-fault-prone). Otherwise the weights between the two will be 
     26 * distributed according to the bias, where &lt;0.5 means in favor of the negative instances and 
     27 * &gt;0.5 in favor of the positive instances. equal to the total weight of the test 
     28 *  
    1329 * @author Steffen Herbold 
    1430 */ 
    1531public class BiasedWeights implements IProcessesingStrategy, ISetWiseProcessingStrategy { 
    1632 
    17         /** 
    18          * bias used for the weighting 
    19          */ 
    20         private double bias = 0.5; 
    21          
    22          
    23         /** 
    24          * Sets the bias to be used for weighting. 
    25          * @param parameters string with the bias 
    26          */ 
    27         @Override 
    28         public void setParameter(String parameters) { 
    29                 bias = Double.parseDouble(parameters); 
    30         } 
     33    /** 
     34     * bias used for the weighting 
     35     */ 
     36    private double bias = 0.5; 
    3137 
    32         /** 
    33          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    34          */ 
    35         @Override 
    36         public void apply(Instances testdata, Instances traindata) { 
    37                 //setBiasedWeights(testdata); 
    38                 setBiasedWeights(traindata); 
    39         } 
    40          
    41         /** 
    42          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    43          */ 
    44         @Override 
    45         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    46                 for( Instances traindata : traindataSet ) { 
    47                         setBiasedWeights(traindata); 
    48                 } 
    49         } 
    50          
    51         /** 
    52          * Helper method that sets the weights for a given data set. 
    53          * @param data data set whose weights are set 
    54          */ 
    55         private void setBiasedWeights(Instances data) { 
    56                 final int classIndex = data.classIndex(); 
    57                  
    58                 final int[] counts = data.attributeStats(classIndex).nominalCounts; 
    59                  
    60                 final double weightNegatives = ((1-bias)*data.numInstances()) / counts[0]; 
    61                 final double weightPositives = (bias*data.numInstances()) / counts[1]; 
    62                  
    63                  
    64                 for( int i=0 ; i<data.numInstances() ; i++ ) { 
    65                         Instance instance = data.instance(i); 
    66                         if( instance.value(classIndex)==0 ) { 
    67                                 instance.setWeight(weightNegatives); 
    68                         } 
    69                         if( instance.value(classIndex)==1 ) { 
    70                                 instance.setWeight(weightPositives); 
    71                         } 
    72                 } 
    73         } 
     38    /** 
     39     * Sets the bias to be used for weighting. 
     40     *  
     41     * @param parameters 
     42     *            string with the bias 
     43     */ 
     44    @Override 
     45    public void setParameter(String parameters) { 
     46        bias = Double.parseDouble(parameters); 
     47    } 
    7448 
    75          
     49    /** 
     50     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     51     *      weka.core.Instances) 
     52     */ 
     53    @Override 
     54    public void apply(Instances testdata, Instances traindata) { 
     55        // setBiasedWeights(testdata); 
     56        setBiasedWeights(traindata); 
     57    } 
     58 
     59    /** 
     60     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     61     *      org.apache.commons.collections4.list.SetUniqueList) 
     62     */ 
     63    @Override 
     64    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     65        for (Instances traindata : traindataSet) { 
     66            setBiasedWeights(traindata); 
     67        } 
     68    } 
     69 
     70    /** 
     71     * Helper method that sets the weights for a given data set. 
     72     *  
     73     * @param data 
     74     *            data set whose weights are set 
     75     */ 
     76    private void setBiasedWeights(Instances data) { 
     77        final int classIndex = data.classIndex(); 
     78 
     79        final int[] counts = data.attributeStats(classIndex).nominalCounts; 
     80 
     81        final double weightNegatives = ((1 - bias) * data.numInstances()) / counts[0]; 
     82        final double weightPositives = (bias * data.numInstances()) / counts[1]; 
     83 
     84        for (int i = 0; i < data.numInstances(); i++) { 
     85            Instance instance = data.instance(i); 
     86            if (instance.value(classIndex) == 0) { 
     87                instance.setWeight(weightNegatives); 
     88            } 
     89            if (instance.value(classIndex) == 1) { 
     90                instance.setWeight(weightPositives); 
     91            } 
     92        } 
     93    } 
    7694 
    7795} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/DataGravitation.java

    r10 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * Implements an approach for data weighting suggested after Y. Ma, G. Luo, X. Zeng, and A. Chen: Transfer learning for 
    11  * cross-company software defect prediction. The instances are weighted higher, the more attributes are within the range they are in the training data.  
     24 * Implements an approach for data weighting suggested after Y. Ma, G. Luo, X. Zeng, and A. Chen: 
     25 * Transfer learning for cross-company software defect prediction. The instances are weighted 
     26 * higher, the more attributes are within the range they are in the training data. 
     27 *  
    1228 * @author Steffen Herbold 
    1329 */ 
    1430public class DataGravitation implements IProcessesingStrategy, ISetWiseProcessingStrategy { 
    1531 
    16         /** 
    17          * Does not have parameters. String is ignored. 
    18          * @param parameters ignored 
    19          */ 
    20         @Override 
    21         public void setParameter(String parameters) { 
    22                 // dummy 
    23         } 
    24          
    25         /* (non-Javadoc) 
    26          * @see de.ugoe.cs.cpdp.dataprocessing.ISetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    27          */ 
    28         @Override 
    29         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    30                 for( Instances traindata : traindataSet ) { 
    31                         apply(testdata, traindata); 
    32                 } 
    33         } 
     32    /** 
     33     * Does not have parameters. String is ignored. 
     34     *  
     35     * @param parameters 
     36     *            ignored 
     37     */ 
     38    @Override 
     39    public void setParameter(String parameters) { 
     40        // dummy 
     41    } 
    3442 
    35         /* (non-Javadoc) 
    36          * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    37          */ 
    38         @Override 
    39         public void apply(Instances testdata, Instances traindata) { 
    40                 Attribute classAtt = testdata.classAttribute(); 
    41                  
    42                 double[] minAttValues = new double[testdata.numAttributes()]; 
    43                 double[] maxAttValues = new double[testdata.numAttributes()]; 
    44                 double[] weights = new double[traindata.numInstances()]; 
    45                 double weightsum = 0.0; 
    46                  
    47                 for( int j=0; j<testdata.numAttributes(); j++) { 
    48                         if( testdata.attribute(j)!=classAtt ) { 
    49                                 minAttValues[j] = testdata.attributeStats(j).numericStats.min; 
    50                                 maxAttValues[j] = testdata.attributeStats(j).numericStats.max; 
    51                         } 
    52                 } 
    53                  
    54                 for( int i=0; i<traindata.numInstances(); i++ ) { 
    55                         Instance inst = traindata.instance(i); 
    56                         int similar = 0; 
    57                         for( int j=0; j<testdata.numAttributes(); j++ ) { 
    58                                 if( testdata.attribute(j)!=classAtt ) { 
    59                                         if( inst.value(j)>=minAttValues[j] && inst.value(j)<=maxAttValues[j] )  { 
    60                                                 similar++; 
    61                                         } 
    62                                 } 
    63                         } 
    64                         weights[i] = similar/Math.sqrt(testdata.numAttributes()-similar); 
    65                         weightsum += weights[i]; 
    66                 } 
    67                 for( int i=0; i<traindata.numInstances(); i++ ) { 
    68                         traindata.instance(i).setWeight(weights[i]*traindata.numInstances()/weightsum); 
    69                 } 
    70         } 
     43    /* 
     44     * (non-Javadoc) 
     45     *  
     46     * @see de.ugoe.cs.cpdp.dataprocessing.ISetWiseProcessingStrategy#apply(weka.core.Instances, 
     47     * org.apache.commons.collections4.list.SetUniqueList) 
     48     */ 
     49    @Override 
     50    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     51        for (Instances traindata : traindataSet) { 
     52            apply(testdata, traindata); 
     53        } 
     54    } 
     55 
     56    /* 
     57     * (non-Javadoc) 
     58     *  
     59     * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, 
     60     * weka.core.Instances) 
     61     */ 
     62    @Override 
     63    public void apply(Instances testdata, Instances traindata) { 
     64        Attribute classAtt = testdata.classAttribute(); 
     65 
     66        double[] minAttValues = new double[testdata.numAttributes()]; 
     67        double[] maxAttValues = new double[testdata.numAttributes()]; 
     68        double[] weights = new double[traindata.numInstances()]; 
     69        double weightsum = 0.0; 
     70 
     71        for (int j = 0; j < testdata.numAttributes(); j++) { 
     72            if (testdata.attribute(j) != classAtt) { 
     73                minAttValues[j] = testdata.attributeStats(j).numericStats.min; 
     74                maxAttValues[j] = testdata.attributeStats(j).numericStats.max; 
     75            } 
     76        } 
     77 
     78        for (int i = 0; i < traindata.numInstances(); i++) { 
     79            Instance inst = traindata.instance(i); 
     80            int similar = 0; 
     81            for (int j = 0; j < testdata.numAttributes(); j++) { 
     82                if (testdata.attribute(j) != classAtt) { 
     83                    if (inst.value(j) >= minAttValues[j] && inst.value(j) <= maxAttValues[j]) { 
     84                        similar++; 
     85                    } 
     86                } 
     87            } 
     88            weights[i] = similar / Math.sqrt(testdata.numAttributes() - similar); 
     89            weightsum += weights[i]; 
     90        } 
     91        for (int i = 0; i < traindata.numInstances(); i++) { 
     92            traindata.instance(i).setWeight(weights[i] * traindata.numInstances() / weightsum); 
     93        } 
     94    } 
    7195 
    7296} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/IProcessesingStrategy.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    519 
    620/** 
    7  * A data processing strategy that is applied to the test data and a single set of training data.  
     21 * A data processing strategy that is applied to the test data and a single set of training data. 
     22 *  
    823 * @author Steffen Herbold 
    924 */ 
    1025public interface IProcessesingStrategy extends IParameterizable { 
    11          
    12         /** 
    13          * Applies the processing strategy.  
    14          * @param testdata test data 
    15          * @param traindata training data 
    16          */ 
    17         void apply(Instances testdata, Instances traindata); 
     26 
     27    /** 
     28     * Applies the processing strategy. 
     29     *  
     30     * @param testdata 
     31     *            test data 
     32     * @param traindata 
     33     *            training data 
     34     */ 
     35    void apply(Instances testdata, Instances traindata); 
    1836} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/ISetWiseProcessingStrategy.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * A data processing strategy that is applied to the test data and a multiple sets of training data.  
     24 * A data processing strategy that is applied to the test data and a multiple sets of training data. 
     25 *  
    1126 * @author Steffen Herbold 
    1227 */ 
    1328public interface ISetWiseProcessingStrategy extends IParameterizable { 
    1429 
    15         /** 
    16          * Applies the processing strategy.  
    17          * @param testdata test data 
    18          * @param traindataSet training data sets 
    19          */ 
    20         void apply(Instances testdata, SetUniqueList<Instances> traindataSet); 
    21          
     30    /** 
     31     * Applies the processing strategy. 
     32     *  
     33     * @param testdata 
     34     *            test data 
     35     * @param traindataSet 
     36     *            training data sets 
     37     */ 
     38    void apply(Instances testdata, SetUniqueList<Instances> traindataSet); 
     39 
    2240} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/InformationGainFilter.java

    r10 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    1226 
    1327/** 
    14  * Implements an attribute filter that is based on the information gain of each attribute after Z. He, F. Peters, T. Menzies, Y. Yang: Learning from Open-Source Projects: An Empirical Study on Defect Prediction. 
    15  * A logistic classifier is trained to separate a random sample of the training data from a random sample of the test data. As standard, the best 50% of attributes are retained.  
    16  * This ratio can be adjusted using the parameter of the filter (0.5 = 50%).  
    17  * <br><br> 
    18  * Best means the least information gain, because this means that the attribute is similar in both test and training data. 
     28 * Implements an attribute filter that is based on the information gain of each attribute after Z. 
     29 * He, F. Peters, T. Menzies, Y. Yang: Learning from Open-Source Projects: An Empirical Study on 
     30 * Defect Prediction. A logistic classifier is trained to separate a random sample of the training 
     31 * data from a random sample of the test data. As standard, the best 50% of attributes are retained. 
     32 * This ratio can be adjusted using the parameter of the filter (0.5 = 50%). <br> 
     33 * <br> 
     34 * Best means the least information gain, because this means that the attribute is similar in both 
     35 * test and training data. 
     36 *  
    1937 * @author Steffen Herbold 
    2038 */ 
    2139public class InformationGainFilter implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
    2240 
    23         /** 
    24          * size of the random sample that is drawn from both test data and training data  
    25          */ 
    26         private final int sampleSize = 500; 
    27          
    28         /** 
    29          * ratio of features that is kept 
    30          */ 
    31         private double featureRatio = 0.5; 
    32          
    33         /** 
    34          * Sets the feature ratio.  
    35          * @param parameters feature ratio 
    36          */ 
    37         @Override 
    38         public void setParameter(String parameters) { 
    39                 if( !"".equals(parameters) ) { 
    40                         featureRatio = Double.parseDouble(parameters); 
    41                 } 
    42         } 
     41    /** 
     42     * size of the random sample that is drawn from both test data and training data 
     43     */ 
     44    private final int sampleSize = 500; 
    4345 
    44         /** 
    45          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    46          */ 
    47         @Override 
    48         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    49                 for( Instances traindata : traindataSet ) { 
    50                         apply(testdata, traindata, false); 
    51                 } 
    52                  
    53         } 
    54          
    55         /** 
    56          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    57          */ 
    58         @Override 
    59         public void apply(Instances testdata, Instances traindata) { 
    60                 apply(testdata, traindata, true); 
    61         } 
    62          
    63         /** 
    64          * Internal helper function for the application of the filter to both all data set as well as a single data set. 
    65          * @param testdata data of the target product 
    66          * @param traindata data of the training product 
    67          * @param removeFromTest defines whether the attributes shall be removed from the test data as well or not 
    68          */ 
    69         private void apply(Instances testdata, Instances traindata, boolean removeFromTest) { 
    70                 final Random rand = new Random(1); 
    71                 final int removalNumber = (int) (featureRatio*(testdata.numAttributes()-1)); 
    72                  
    73                 final int classIndex = testdata.classIndex(); 
    74                  
    75                 // sample instances 
    76                 final Instances sample = new Instances(testdata); 
    77                 for( int j=0; j<sampleSize; j++ ) { 
    78                         Instance inst = new DenseInstance(testdata.instance(rand.nextInt(testdata.numInstances()))); 
    79                         inst.setDataset(sample); 
    80                         inst.setClassValue(1.0); 
    81                         sample.add(inst); 
    82                         inst = new DenseInstance(traindata.instance(rand.nextInt(traindata.numInstances()))); 
    83                         inst.setDataset(sample); 
    84                         inst.setClassValue(0.0); 
    85                         sample.add(inst); 
    86                 } 
    87                  
    88                 final double[] gain = new double[sample.numAttributes()]; 
    89                  
    90                 final InfoGainAttributeEval gainEval = new InfoGainAttributeEval(); 
    91                 try { 
    92                         gainEval.buildEvaluator(sample); 
    93                         for( int i=0 ; i<testdata.numAttributes() ; i++ ) { 
    94                                 //if( sample.classAttribute().equals(sample.attribute(i)) ) { 
    95                                 //      gain[i] = 0.0; 
    96                                 //} else { 
    97                                 if( !sample.classAttribute().equals(sample.attribute(i)) ) { 
    98                                         gain[i] = gainEval.evaluateAttribute(i); 
    99                                 } 
    100                         } 
    101                 } catch (Exception e) { 
    102                         //throw new RuntimeException("could not determine information gain for all attributes", e); 
    103                         // ignore exception; it is caused by attributes that are extremely  
    104                 } 
    105                  
    106                 // select best attributes 
    107                 final double[] gainCopy = Arrays.copyOf(gain, gain.length); 
    108                 Arrays.sort(gainCopy); 
    109                 final double cutoffGain = gainCopy[testdata.numAttributes()-removalNumber]; 
    110                  
    111                 for( int i=testdata.numAttributes()-1; i>=0 ; i-- ) { 
    112                         if( gain[i]>=cutoffGain && i!=classIndex) { 
    113                                 traindata.deleteAttributeAt(i); 
    114                                 if( removeFromTest ) { 
    115                                         testdata.deleteAttributeAt(i); 
    116                                 } 
    117                         } 
    118                 } 
    119         } 
     46    /** 
     47     * ratio of features that is kept 
     48     */ 
     49    private double featureRatio = 0.5; 
     50 
     51    /** 
     52     * Sets the feature ratio. 
     53     *  
     54     * @param parameters 
     55     *            feature ratio 
     56     */ 
     57    @Override 
     58    public void setParameter(String parameters) { 
     59        if (!"".equals(parameters)) { 
     60            featureRatio = Double.parseDouble(parameters); 
     61        } 
     62    } 
     63 
     64    /** 
     65     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     66     *      org.apache.commons.collections4.list.SetUniqueList) 
     67     */ 
     68    @Override 
     69    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     70        for (Instances traindata : traindataSet) { 
     71            apply(testdata, traindata, false); 
     72        } 
     73 
     74    } 
     75 
     76    /** 
     77     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     78     *      weka.core.Instances) 
     79     */ 
     80    @Override 
     81    public void apply(Instances testdata, Instances traindata) { 
     82        apply(testdata, traindata, true); 
     83    } 
     84 
     85    /** 
     86     * Internal helper function for the application of the filter to both all data set as well as a 
     87     * single data set. 
     88     *  
     89     * @param testdata 
     90     *            data of the target product 
     91     * @param traindata 
     92     *            data of the training product 
     93     * @param removeFromTest 
     94     *            defines whether the attributes shall be removed from the test data as well or not 
     95     */ 
     96    private void apply(Instances testdata, Instances traindata, boolean removeFromTest) { 
     97        final Random rand = new Random(1); 
     98        final int removalNumber = (int) (featureRatio * (testdata.numAttributes() - 1)); 
     99 
     100        final int classIndex = testdata.classIndex(); 
     101 
     102        // sample instances 
     103        final Instances sample = new Instances(testdata); 
     104        for (int j = 0; j < sampleSize; j++) { 
     105            Instance inst = 
     106                new DenseInstance(testdata.instance(rand.nextInt(testdata.numInstances()))); 
     107            inst.setDataset(sample); 
     108            inst.setClassValue(1.0); 
     109            sample.add(inst); 
     110            inst = new DenseInstance(traindata.instance(rand.nextInt(traindata.numInstances()))); 
     111            inst.setDataset(sample); 
     112            inst.setClassValue(0.0); 
     113            sample.add(inst); 
     114        } 
     115 
     116        final double[] gain = new double[sample.numAttributes()]; 
     117 
     118        final InfoGainAttributeEval gainEval = new InfoGainAttributeEval(); 
     119        try { 
     120            gainEval.buildEvaluator(sample); 
     121            for (int i = 0; i < testdata.numAttributes(); i++) { 
     122                // if( sample.classAttribute().equals(sample.attribute(i)) ) { 
     123                // gain[i] = 0.0; 
     124                // } else { 
     125                if (!sample.classAttribute().equals(sample.attribute(i))) { 
     126                    gain[i] = gainEval.evaluateAttribute(i); 
     127                } 
     128            } 
     129        } 
     130        catch (Exception e) { 
     131            // throw new RuntimeException("could not determine information gain for all attributes", 
     132            // e); 
     133            // ignore exception; it is caused by attributes that are extremely 
     134        } 
     135 
     136        // select best attributes 
     137        final double[] gainCopy = Arrays.copyOf(gain, gain.length); 
     138        Arrays.sort(gainCopy); 
     139        final double cutoffGain = gainCopy[testdata.numAttributes() - removalNumber]; 
     140 
     141        for (int i = testdata.numAttributes() - 1; i >= 0; i--) { 
     142            if (gain[i] >= cutoffGain && i != classIndex) { 
     143                traindata.deleteAttributeAt(i); 
     144                if (removeFromTest) { 
     145                    testdata.deleteAttributeAt(i); 
     146                } 
     147            } 
     148        } 
     149    } 
    120150 
    121151} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/LogarithmTransform.java

    r40 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * Logarithm transformation after Carmargo Cruz and Ochimizu: Towards Logistic Regression Models for Predicting Fault-prone Code across Software Projects. 
    11  * <br><br> 
    12  * Transform each attribute value x into log(x+1).  
     24 * Logarithm transformation after Carmargo Cruz and Ochimizu: Towards Logistic Regression Models for 
     25 * Predicting Fault-prone Code across Software Projects. <br> 
     26 * <br> 
     27 * Transform each attribute value x into log(x+1). 
     28 *  
    1329 * @author Steffen Herbold 
    1430 */ 
    1531public class LogarithmTransform implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
    1632 
    17         /** 
    18          * Does not have parameters. String is ignored. 
    19          * @param parameters ignored 
    20          */ 
    21         @Override 
    22         public void setParameter(String parameters) { 
    23                 // dummy 
    24         } 
     33    /** 
     34     * Does not have parameters. String is ignored. 
     35     *  
     36     * @param parameters 
     37     *            ignored 
     38     */ 
     39    @Override 
     40    public void setParameter(String parameters) { 
     41        // dummy 
     42    } 
    2543 
    26         /** 
    27          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    28          */ 
    29         @Override 
    30         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    31                 final Attribute classAttribute = testdata.classAttribute(); 
    32                  
    33                 // preprocess testdata 
    34                 for( int i=0 ; i<testdata.numInstances() ; i++ ) { 
    35                         Instance instance = testdata.instance(i); 
    36                         for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    37                                 if( testdata.attribute(j)!=classAttribute && testdata.attribute(j).isNumeric() ) { 
    38                                         if( instance.value(j) < 0 ) { 
    39                                                 instance.setValue(j, (-1*(Math.log(-1*instance.value(j))))); 
    40                                         }else { 
    41                                                 instance.setValue(j, Math.log(1+instance.value(j))); 
    42                                         } 
    43                                 } 
    44                         } 
    45                 } 
    46                  
    47                 // preprocess training data 
    48                 for( Instances traindata : traindataSet ) { 
    49                         for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    50                                 Instance instance = traindata.instance(i); 
    51                                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    52                                         if( traindata.attribute(j)!=classAttribute && traindata.attribute(j).isNumeric() ) { 
    53                                                 if( instance.value(j) < 0 ) { 
    54                                                         instance.setValue(j, (-1*(Math.log(-1*instance.value(j))))); 
    55                                                 }else { 
    56                                                         instance.setValue(j, Math.log(1+instance.value(j))); 
    57                                                 } 
    58                                         } 
    59                                 } 
    60                         } 
    61                 } 
    62         } 
     44    /** 
     45     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     46     *      org.apache.commons.collections4.list.SetUniqueList) 
     47     */ 
     48    @Override 
     49    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     50        final Attribute classAttribute = testdata.classAttribute(); 
    6351 
    64         /** 
    65          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    66          */ 
    67         @Override 
    68         public void apply(Instances testdata, Instances traindata) { 
    69                 final Attribute classAttribute = testdata.classAttribute(); 
    70                  
    71                 // preprocess testdata 
    72                 for( int i=0 ; i<testdata.numInstances() ; i++ ) { 
    73                         Instance instance = testdata.instance(i); 
    74                         for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    75                                 if( testdata.attribute(j)!=classAttribute && testdata.attribute(j).isNumeric() ) { 
    76                                         if( instance.value(j) < 0 ) { 
    77                                                 instance.setValue(j, (-1*(Math.log(-1*instance.value(j))))); 
    78                                         }else { 
    79                                                 instance.setValue(j, Math.log(1+instance.value(j))); 
    80                                         } 
    81                                 } 
    82                         } 
    83                 } 
    84                  
    85                 // preprocess training data 
    86                 for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    87                         Instance instance = traindata.instance(i); 
    88                         for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    89                                 if( traindata.attribute(j)!=classAttribute && traindata.attribute(j).isNumeric() ) { 
    90                                         if( instance.value(j) < 0 ) { 
    91                                                 instance.setValue(j, (-1*(Math.log(-1*instance.value(j))))); 
    92                                         }else { 
    93                                                 instance.setValue(j, Math.log(1+instance.value(j))); 
    94                                         } 
    95                                 } 
    96                         } 
    97                 } 
    98         } 
     52        // preprocess testdata 
     53        for (int i = 0; i < testdata.numInstances(); i++) { 
     54            Instance instance = testdata.instance(i); 
     55            for (int j = 0; j < testdata.numAttributes(); j++) { 
     56                if (testdata.attribute(j) != classAttribute && testdata.attribute(j).isNumeric()) { 
     57                    if (instance.value(j) < 0) { 
     58                        instance.setValue(j, (-1 * (Math.log(-1 * instance.value(j))))); 
     59                    } 
     60                    else { 
     61                        instance.setValue(j, Math.log(1 + instance.value(j))); 
     62                    } 
     63                } 
     64            } 
     65        } 
     66 
     67        // preprocess training data 
     68        for (Instances traindata : traindataSet) { 
     69            for (int i = 0; i < traindata.numInstances(); i++) { 
     70                Instance instance = traindata.instance(i); 
     71                for (int j = 0; j < testdata.numAttributes(); j++) { 
     72                    if (traindata.attribute(j) != classAttribute && 
     73                        traindata.attribute(j).isNumeric()) 
     74                    { 
     75                        if (instance.value(j) < 0) { 
     76                            instance.setValue(j, (-1 * (Math.log(-1 * instance.value(j))))); 
     77                        } 
     78                        else { 
     79                            instance.setValue(j, Math.log(1 + instance.value(j))); 
     80                        } 
     81                    } 
     82                } 
     83            } 
     84        } 
     85    } 
     86 
     87    /** 
     88     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     89     *      weka.core.Instances) 
     90     */ 
     91    @Override 
     92    public void apply(Instances testdata, Instances traindata) { 
     93        final Attribute classAttribute = testdata.classAttribute(); 
     94 
     95        // preprocess testdata 
     96        for (int i = 0; i < testdata.numInstances(); i++) { 
     97            Instance instance = testdata.instance(i); 
     98            for (int j = 0; j < testdata.numAttributes(); j++) { 
     99                if (testdata.attribute(j) != classAttribute && testdata.attribute(j).isNumeric()) { 
     100                    if (instance.value(j) < 0) { 
     101                        instance.setValue(j, (-1 * (Math.log(-1 * instance.value(j))))); 
     102                    } 
     103                    else { 
     104                        instance.setValue(j, Math.log(1 + instance.value(j))); 
     105                    } 
     106                } 
     107            } 
     108        } 
     109 
     110        // preprocess training data 
     111        for (int i = 0; i < traindata.numInstances(); i++) { 
     112            Instance instance = traindata.instance(i); 
     113            for (int j = 0; j < testdata.numAttributes(); j++) { 
     114                if (traindata.attribute(j) != classAttribute && traindata.attribute(j).isNumeric()) 
     115                { 
     116                    if (instance.value(j) < 0) { 
     117                        instance.setValue(j, (-1 * (Math.log(-1 * instance.value(j))))); 
     118                    } 
     119                    else { 
     120                        instance.setValue(j, Math.log(1 + instance.value(j))); 
     121                    } 
     122                } 
     123            } 
     124        } 
     125    } 
    99126} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/MedianAsReference.java

    r40 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * Median as reference transformation after Carmargo Cruz and Ochimizu: Towards Logistic Regression Models for Predicting Fault-prone Code across Software Projects 
    11  * <br><br> 
    12  * For each attribute value x, the new value is x + (median of the test data - median of the current project) 
     24 * Median as reference transformation after Carmargo Cruz and Ochimizu: Towards Logistic Regression 
     25 * Models for Predicting Fault-prone Code across Software Projects <br> 
     26 * <br> 
     27 * For each attribute value x, the new value is x + (median of the test data - median of the current 
     28 * project) 
     29 *  
    1330 * @author Steffen Herbold 
    1431 */ 
    1532public class MedianAsReference implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
    1633 
    17         /** 
    18          * Does not have parameters. String is ignored. 
    19          * @param parameters ignored 
    20          */ 
    21         @Override 
    22         public void setParameter(String parameters) { 
    23                 // dummy 
    24         } 
     34    /** 
     35     * Does not have parameters. String is ignored. 
     36     *  
     37     * @param parameters 
     38     *            ignored 
     39     */ 
     40    @Override 
     41    public void setParameter(String parameters) { 
     42        // dummy 
     43    } 
    2544 
    26         /** 
    27          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    28          */ 
    29         @Override 
    30         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    31                 final Attribute classAttribute = testdata.classAttribute(); 
    32                 final double[] median = new double[testdata.numAttributes()]; 
    33                  
    34                 // test and train have the same number of attributes 
    35                 Attribute traindataClassAttribute; 
    36                 double[] currentmedian = new double[testdata.numAttributes()]; 
    37                  
    38                 // get medians 
    39                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    40                         if( testdata.attribute(j)!=classAttribute ) { 
    41                                 median[j] = testdata.kthSmallestValue(j, (testdata.numInstances()+1)>>1); // (>>2 -> /2) 
    42                         } 
    43                 } 
    44                  
    45                 // preprocess training data 
    46                 for( Instances traindata : traindataSet ) { 
    47                         // get median of current training set  
    48                         traindataClassAttribute = traindata.classAttribute(); 
    49                         for( int j=0 ; j<traindata.numAttributes() ; j++ ) { 
    50                                 if( traindata.attribute(j)!=traindataClassAttribute && traindata.attribute(j).isNumeric()) { 
    51                                         currentmedian[j] = traindata.kthSmallestValue(j, (traindata.numInstances()+1)>>1); // (>>2 -> /2) 
    52                                 } 
    53                         } 
    54                         for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    55                                 Instance instance = traindata.instance(i); 
    56                                 for( int j=0 ; j<traindata.numAttributes() ; j++ ) { 
    57                                         if( traindata.attribute(j)!=classAttribute && traindata.attribute(j).isNumeric() ) { 
    58                                                 instance.setValue(j, instance.value(j) + (median[j] - currentmedian[j])); 
    59                                         } 
    60                                 } 
    61                         } 
    62                 } 
    63         } 
     45    /** 
     46     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     47     *      org.apache.commons.collections4.list.SetUniqueList) 
     48     */ 
     49    @Override 
     50    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     51        final Attribute classAttribute = testdata.classAttribute(); 
     52        final double[] median = new double[testdata.numAttributes()]; 
    6453 
    65         /** 
    66          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    67          */ 
    68         @Override 
    69         public void apply(Instances testdata, Instances traindata) { 
    70                 final Attribute classAttribute = testdata.classAttribute(); 
    71                 final Attribute traindataClassAttribute = traindata.classAttribute(); 
    72                 final double[] median = new double[testdata.numAttributes()]; 
     54        // test and train have the same number of attributes 
     55        Attribute traindataClassAttribute; 
     56        double[] currentmedian = new double[testdata.numAttributes()]; 
    7357 
    74                 // test and train have the same number of attributes 
    75                 double[] currentmedian = new double[testdata.numAttributes()]; 
    76                  
    77                 // get medians 
    78                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    79                         if( testdata.attribute(j)!=classAttribute ) { 
    80                                 median[j] = testdata.kthSmallestValue(j, (testdata.numInstances()+1)>>1); // (>>2 -> /2) 
    81                         } 
    82                 } 
     58        // get medians 
     59        for (int j = 0; j < testdata.numAttributes(); j++) { 
     60            if (testdata.attribute(j) != classAttribute) { 
     61                median[j] = testdata.kthSmallestValue(j, (testdata.numInstances() + 1) >> 1); // (>>2 
     62                                                                                              // -> 
     63                                                                                              // /2) 
     64            } 
     65        } 
    8366 
    84                 // get median of current training set  
    85                 for( int j=0 ; j<traindata.numAttributes() ; j++ ) { 
    86                         if( traindata.attribute(j)!=traindataClassAttribute && traindata.attribute(j).isNumeric() ) { 
    87                                 currentmedian[j] = traindata.kthSmallestValue(j, (traindata.numInstances()+1)>>1); // (>>2 -> /2) 
    88                         } 
    89                 } 
    90                  
    91                 // preprocess training data 
    92                 for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    93                         Instance instance = traindata.instance(i); 
    94                         for( int j=0 ; j<traindata.numAttributes() ; j++ ) { 
    95                                 if( traindata.attribute(j)!=classAttribute  && traindata.attribute(j).isNumeric() ) { 
    96                                         instance.setValue(j, instance.value(j) + (median[j] - currentmedian[j])); 
    97                                 } 
    98                         } 
    99                 } 
    100         } 
     67        // preprocess training data 
     68        for (Instances traindata : traindataSet) { 
     69            // get median of current training set 
     70            traindataClassAttribute = traindata.classAttribute(); 
     71            for (int j = 0; j < traindata.numAttributes(); j++) { 
     72                if (traindata.attribute(j) != traindataClassAttribute && 
     73                    traindata.attribute(j).isNumeric()) 
     74                { 
     75                    currentmedian[j] = 
     76                        traindata.kthSmallestValue(j, (traindata.numInstances() + 1) >> 1); // (>>2 
     77                                                                                            // -> 
     78                                                                                            // /2) 
     79                } 
     80            } 
     81            for (int i = 0; i < traindata.numInstances(); i++) { 
     82                Instance instance = traindata.instance(i); 
     83                for (int j = 0; j < traindata.numAttributes(); j++) { 
     84                    if (traindata.attribute(j) != classAttribute && 
     85                        traindata.attribute(j).isNumeric()) 
     86                    { 
     87                        instance.setValue(j, instance.value(j) + (median[j] - currentmedian[j])); 
     88                    } 
     89                } 
     90            } 
     91        } 
     92    } 
     93 
     94    /** 
     95     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     96     *      weka.core.Instances) 
     97     */ 
     98    @Override 
     99    public void apply(Instances testdata, Instances traindata) { 
     100        final Attribute classAttribute = testdata.classAttribute(); 
     101        final Attribute traindataClassAttribute = traindata.classAttribute(); 
     102        final double[] median = new double[testdata.numAttributes()]; 
     103 
     104        // test and train have the same number of attributes 
     105        double[] currentmedian = new double[testdata.numAttributes()]; 
     106 
     107        // get medians 
     108        for (int j = 0; j < testdata.numAttributes(); j++) { 
     109            if (testdata.attribute(j) != classAttribute) { 
     110                median[j] = testdata.kthSmallestValue(j, (testdata.numInstances() + 1) >> 1); // (>>2 
     111                                                                                              // -> 
     112                                                                                              // /2) 
     113            } 
     114        } 
     115 
     116        // get median of current training set 
     117        for (int j = 0; j < traindata.numAttributes(); j++) { 
     118            if (traindata.attribute(j) != traindataClassAttribute && 
     119                traindata.attribute(j).isNumeric()) 
     120            { 
     121                currentmedian[j] = 
     122                    traindata.kthSmallestValue(j, (traindata.numInstances() + 1) >> 1); // (>>2 -> 
     123                                                                                        // /2) 
     124            } 
     125        } 
     126 
     127        // preprocess training data 
     128        for (int i = 0; i < traindata.numInstances(); i++) { 
     129            Instance instance = traindata.instance(i); 
     130            for (int j = 0; j < traindata.numAttributes(); j++) { 
     131                if (traindata.attribute(j) != classAttribute && traindata.attribute(j).isNumeric()) 
     132                { 
     133                    instance.setValue(j, instance.value(j) + (median[j] - currentmedian[j])); 
     134                } 
     135            } 
     136        } 
     137    } 
    101138 
    102139} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/NominalAttributeFilter.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    1024 
    1125/** 
    12  * Filters the given dataset for an nominal attribute. 
    13  * Every instance that has a value of the defined values of the given nominal attribute is removed. 
     26 * Filters the given dataset for an nominal attribute. Every instance that has a value of the 
     27 * defined values of the given nominal attribute is removed. 
    1428 *  
    15  *        
    16  * (e.g. param="CONFIDECNE low middle"; all instances where the "CONFIDENCE" attribute 
    17  * value is "low" or "middle" are removed from the dataset) 
     29 *  
     30 * (e.g. param="CONFIDECNE low middle"; all instances where the "CONFIDENCE" attribute value is 
     31 * "low" or "middle" are removed from the dataset) 
    1832 */ 
    1933 
    20 public class NominalAttributeFilter implements IProcessesingStrategy{ 
     34public class NominalAttributeFilter implements IProcessesingStrategy { 
    2135 
    22         private String nominalAttributeName = ""; 
    23         private String[] nominalAttributeValues = new String[]{}; 
    24          
    25         /** 
    26          * Sets the nominal attribute name (first parameter) and the nominal attribute values (other  
    27          * parameters), which should be removed from the dataset. 
    28          *  
    29          * @param parameters string with the blank-separated parameters (first parameter  
    30          * is the name of the nominal attribute, everything else are the values) 
    31          */ 
    32         @Override 
    33         public void setParameter(String parameters) { 
    34                 if( parameters!=null ) { 
    35                         String[] parameter  = parameters.split(" "); 
    36                         nominalAttributeName = parameter[0]; 
    37                         nominalAttributeValues = Arrays.copyOfRange(parameter, 1, parameter.length); 
    38                 } 
    39         } 
    40          
    41         /* (non-Javadoc) 
    42          * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    43          */ 
    44         @Override 
    45         public void apply(Instances testdata, Instances traindata) { 
    46                 int indexOfConfidenceAttribute = -1; 
    47                  
    48                 // Find index of the named confidence attribute to filter for 
    49                 for(int i=0; i<traindata.numAttributes(); i++) { 
    50                         if(traindata.attribute(i).name().equals(nominalAttributeName)) { 
    51                                 indexOfConfidenceAttribute = i; 
    52                         } 
    53                 } 
    54                  
    55                 // if it was not found return 
    56                 if(indexOfConfidenceAttribute == -1) { 
    57                         return; 
    58                 } 
    59                  
    60                 // Find index of nominal values 
    61                 Attribute confidenceAttribute = traindata.attribute(indexOfConfidenceAttribute); 
    62                 ArrayList<Object> nominalValuesOfConfidenceAttribute = Collections.list(confidenceAttribute.enumerateValues()); 
    63                 ArrayList<Double> indexOfnominalAttributeValues = new ArrayList<Double>(); 
    64                  
    65                  
    66                 for(int k=0; k<nominalValuesOfConfidenceAttribute.size(); k++) { 
    67                         for(String attributeValue : nominalAttributeValues) { 
    68                                 if(((String)nominalValuesOfConfidenceAttribute.get(k)).equals(attributeValue)) { 
    69                                         indexOfnominalAttributeValues.add((double) k); 
    70                                 } 
    71                         } 
    72                 } 
     36    private String nominalAttributeName = ""; 
     37    private String[] nominalAttributeValues = new String[] { }; 
    7338 
    74                  
    75                  
    76                  
    77                 // Go through all instances and check if nominal attribute equals  
    78                 for(int j=traindata.numInstances()-1; j>=0; j--) { 
    79                         Instance wekaInstance = traindata.get(j); 
    80                          
    81                         // delete all instances where nominal attribute has the value of one of the parameter 
    82                         if(indexOfnominalAttributeValues.contains(wekaInstance.value(indexOfConfidenceAttribute))) { 
    83                                 traindata.delete(j); 
    84                         } 
    85                 } 
    86         } 
     39    /** 
     40     * Sets the nominal attribute name (first parameter) and the nominal attribute values (other 
     41     * parameters), which should be removed from the dataset. 
     42     *  
     43     * @param parameters 
     44     *            string with the blank-separated parameters (first parameter is the name of the 
     45     *            nominal attribute, everything else are the values) 
     46     */ 
     47    @Override 
     48    public void setParameter(String parameters) { 
     49        if (parameters != null) { 
     50            String[] parameter = parameters.split(" "); 
     51            nominalAttributeName = parameter[0]; 
     52            nominalAttributeValues = Arrays.copyOfRange(parameter, 1, parameter.length); 
     53        } 
     54    } 
     55 
     56    /* 
     57     * (non-Javadoc) 
     58     *  
     59     * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, 
     60     * weka.core.Instances) 
     61     */ 
     62    @Override 
     63    public void apply(Instances testdata, Instances traindata) { 
     64        int indexOfConfidenceAttribute = -1; 
     65 
     66        // Find index of the named confidence attribute to filter for 
     67        for (int i = 0; i < traindata.numAttributes(); i++) { 
     68            if (traindata.attribute(i).name().equals(nominalAttributeName)) { 
     69                indexOfConfidenceAttribute = i; 
     70            } 
     71        } 
     72 
     73        // if it was not found return 
     74        if (indexOfConfidenceAttribute == -1) { 
     75            return; 
     76        } 
     77 
     78        // Find index of nominal values 
     79        Attribute confidenceAttribute = traindata.attribute(indexOfConfidenceAttribute); 
     80        ArrayList<Object> nominalValuesOfConfidenceAttribute = 
     81            Collections.list(confidenceAttribute.enumerateValues()); 
     82        ArrayList<Double> indexOfnominalAttributeValues = new ArrayList<Double>(); 
     83 
     84        for (int k = 0; k < nominalValuesOfConfidenceAttribute.size(); k++) { 
     85            for (String attributeValue : nominalAttributeValues) { 
     86                if (((String) nominalValuesOfConfidenceAttribute.get(k)).equals(attributeValue)) { 
     87                    indexOfnominalAttributeValues.add((double) k); 
     88                } 
     89            } 
     90        } 
     91 
     92        // Go through all instances and check if nominal attribute equals 
     93        for (int j = traindata.numInstances() - 1; j >= 0; j--) { 
     94            Instance wekaInstance = traindata.get(j); 
     95 
     96            // delete all instances where nominal attribute has the value of one of the parameter 
     97            if (indexOfnominalAttributeValues.contains(wekaInstance 
     98                .value(indexOfConfidenceAttribute))) 
     99            { 
     100                traindata.delete(j); 
     101            } 
     102        } 
     103    } 
    87104 
    88105} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/Normalization.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    923 
    1024/** 
    11  * Normalizes each attribute of each data set separately.  
     25 * Normalizes each attribute of each data set separately. 
     26 *  
    1227 * @author Steffen Herbold 
    1328 */ 
    1429public class Normalization implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
    1530 
    16         /** 
    17          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    18          */ 
    19         @Override 
    20         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    21                 final Attribute classAtt = testdata.classAttribute(); 
    22                  
    23                 for( int i=0 ; i<testdata.numAttributes(); i++) { 
    24                         if( !testdata.attribute(i).equals(classAtt) ) { 
    25                                 Stats teststats = testdata.attributeStats(i).numericStats; 
    26                                  
    27                                 double minVal = teststats.min; 
    28                                 double maxVal = teststats.max; 
    29                                  
    30                                 for( Instances traindata : traindataSet ) { 
    31                                         Stats trainstats = traindata.attributeStats(i).numericStats; 
    32                                         if( minVal>trainstats.min ) { 
    33                                                 minVal = trainstats.min; 
    34                                         } 
    35                                         if( maxVal<trainstats.max ) { 
    36                                                 maxVal = trainstats.max; 
    37                                         } 
    38                                 } 
    39          
    40                                 for( int j=0 ; j<testdata.numInstances() ; j++ ) { 
    41                                         Instance inst = testdata.instance(j); 
    42                                         double newValue = (inst.value(i)-minVal)/(maxVal-minVal); 
    43                                         inst.setValue(i, newValue); 
    44                                 } 
    45                                  
    46                                 for( Instances traindata : traindataSet ) { 
    47                                         for( int j=0 ; j<traindata.numInstances() ; j++ ) { 
    48                                                 Instance inst = traindata.instance(j); 
    49                                                 double newValue = (inst.value(i)-minVal)/(maxVal-minVal); 
    50                                                 inst.setValue(i, newValue); 
    51                                         } 
    52                                 } 
    53                         } 
    54                 } 
    55                  
    56         } 
    57          
    58         /** 
    59          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    60          */ 
    61         @Override 
    62         public void apply(Instances testdata, Instances traindata) { 
    63                 final Attribute classAtt = testdata.classAttribute(); 
    64                  
    65                 for( int i=0 ; i<testdata.numAttributes(); i++) { 
    66                         if( !testdata.attribute(i).equals(classAtt) ) { 
    67                                 Stats teststats = testdata.attributeStats(i).numericStats; 
    68                                  
    69                                 double minVal = teststats.min; 
    70                                 double maxVal = teststats.max; 
    71                                  
    72                                 Stats trainstats = traindata.attributeStats(i).numericStats; 
    73                                 if( minVal>trainstats.min ) { 
    74                                         minVal = trainstats.min; 
    75                                 } 
    76                                 if( maxVal<trainstats.max ) { 
    77                                         maxVal = trainstats.max; 
    78                                 } 
    79          
    80                                 for( int j=0 ; j<testdata.numInstances() ; j++ ) { 
    81                                         Instance inst = testdata.instance(j); 
    82                                         double newValue = (inst.value(i)-minVal)/(maxVal-minVal); 
    83                                         inst.setValue(i, newValue); 
    84                                 } 
    85                                  
    86                                 for( int j=0 ; j<traindata.numInstances() ; j++ ) { 
    87                                         Instance inst = traindata.instance(j); 
    88                                         double newValue = (inst.value(i)-minVal)/(maxVal-minVal); 
    89                                         inst.setValue(i, newValue); 
    90                                 } 
    91                         } 
    92                 } 
    93         } 
     31    /** 
     32     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     33     *      org.apache.commons.collections4.list.SetUniqueList) 
     34     */ 
     35    @Override 
     36    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     37        final Attribute classAtt = testdata.classAttribute(); 
    9438 
    95         /** 
    96          * Does not have parameters. String is ignored. 
    97          * @param parameters ignored 
    98          */ 
    99         @Override 
    100         public void setParameter(String parameters) { 
    101                 // no parameters 
    102         } 
     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            } 
     70        } 
     71 
     72    } 
     73 
     74    /** 
     75     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     76     *      weka.core.Instances) 
     77     */ 
     78    @Override 
     79    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        } 
     110    } 
     111 
     112    /** 
     113     * Does not have parameters. String is ignored. 
     114     *  
     115     * @param parameters 
     116     *            ignored 
     117     */ 
     118    @Override 
     119    public void setParameter(String parameters) { 
     120        // no parameters 
     121    } 
    103122} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/Oversampling.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * Implements oversampling, a strategy for 
    11  * handling bias in data. In case there are less positive samples (i.e. 
    12  * defect-prone) samples in the data than negative samples (i.e. 
    13  * non-defect-prone), the defect-prone entities are over-sampled such that the 
    14  * number of defect-prone and non-defect-prone instances is the same afterwards. 
    15  * This means, that some of the defect-prone entities will be more than once 
    16  * within the data. 
     24 * Implements oversampling, a strategy for handling bias in data. In case there are less positive 
     25 * samples (i.e. defect-prone) samples in the data than negative samples (i.e. non-defect-prone), 
     26 * the defect-prone entities are over-sampled such that the number of defect-prone and 
     27 * non-defect-prone instances is the same afterwards. This means, that some of the defect-prone 
     28 * entities will be more than once within the data. 
    1729 *  
    1830 * @author Steffen Herbold 
    1931 */ 
    20 public class Oversampling implements IProcessesingStrategy, 
    21                 ISetWiseProcessingStrategy { 
     32public class Oversampling implements IProcessesingStrategy, ISetWiseProcessingStrategy { 
    2233 
    23         /** 
    24         * Does not have parameters. String is ignored. 
    25         *  
    26         * @param parameters 
    27         *            ignored 
    28         */ 
    29         @Override 
    30         public void setParameter(String parameters) { 
    31                 // dummy 
    32         } 
     34    /** 
     35    * Does not have parameters. String is ignored. 
     36    *  
     37    * @param parameters 
     38    *            ignored 
     39    */ 
     40    @Override 
     41    public void setParameter(String parameters) { 
     42        // dummy 
     43    } 
    3344 
    34         /* 
    35          * (non-Javadoc) 
    36          *  
    37          * @see 
    38          * de.ugoe.cs.cpdp.dataprocessing.ISetWiseProcessingStrategy#apply(weka. 
    39          * core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    40          */ 
    41         @Override 
    42         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    43                 for (Instances traindata : traindataSet) { 
    44                         apply(testdata, traindata); 
    45                 } 
    46         } 
     45    /* 
     46     * (non-Javadoc) 
     47     *  
     48     * @see de.ugoe.cs.cpdp.dataprocessing.ISetWiseProcessingStrategy#apply(weka. core.Instances, 
     49     * org.apache.commons.collections4.list.SetUniqueList) 
     50     */ 
     51    @Override 
     52    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     53        for (Instances traindata : traindataSet) { 
     54            apply(testdata, traindata); 
     55        } 
     56    } 
    4757 
    48         /* 
    49          * (non-Javadoc) 
    50          *  
    51          * @see 
    52          * de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core. 
    53          * Instances, weka.core.Instances) 
    54          */ 
    55         @Override 
    56         public void apply(Instances testdata, Instances traindata) { 
     58    /* 
     59     * (non-Javadoc) 
     60     *  
     61     * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core. Instances, 
     62     * weka.core.Instances) 
     63     */ 
     64    @Override 
     65    public void apply(Instances testdata, Instances traindata) { 
    5766 
    58                 final int[] counts = traindata.attributeStats(traindata.classIndex()).nominalCounts; 
    59                 if (counts[1] < counts[0]) { 
    60                         Instances negatives = new Instances(traindata); 
    61                         Instances positives = new Instances(traindata); 
     67        final int[] counts = traindata.attributeStats(traindata.classIndex()).nominalCounts; 
     68        if (counts[1] < counts[0]) { 
     69            Instances negatives = new Instances(traindata); 
     70            Instances positives = new Instances(traindata); 
    6271 
    63                         for (int i = traindata.size() - 1; i >= 0; i--) { 
    64                                 if (Double.compare(1.0, negatives.get(i).classValue()) == 0) { 
    65                                         negatives.remove(i); 
    66                                 } 
    67                                 if (Double.compare(0.0, positives.get(i).classValue()) == 0) { 
    68                                         positives.remove(i); 
    69                                 } 
    70                         } 
     72            for (int i = traindata.size() - 1; i >= 0; i--) { 
     73                if (Double.compare(1.0, negatives.get(i).classValue()) == 0) { 
     74                    negatives.remove(i); 
     75                } 
     76                if (Double.compare(0.0, positives.get(i).classValue()) == 0) { 
     77                    positives.remove(i); 
     78                } 
     79            } 
    7180 
    72                         Resample resample = new Resample(); 
    73                         // TODO: resample.setSampleSizePercent((100.0*counts[1])/100+0.01); 
    74                         // Ohne +0.01 wird bei tomcat, xerces-1.2 und jedit-4.0 ein negative 
    75                         // weniger zurückgegeben 
    76                         resample.setSampleSizePercent((100.0 * counts[0]) / counts[1]); 
    77                         try { 
    78                                 resample.setInputFormat(traindata); 
    79                                 positives = Filter.useFilter(positives, resample); 
    80                         } catch (Exception e) { 
    81                                 throw new RuntimeException(e); 
    82                         } 
    83                         traindata.clear(); 
    84                         for (int i = 0; i < negatives.size(); i++) { 
    85                                 traindata.add(negatives.get(i)); 
    86                         } 
    87                         for (int i = 0; i < positives.size(); i++) { 
    88                                 traindata.add(positives.get(i)); 
    89                         } 
    90                 } 
    91         } 
     81            Resample resample = new Resample(); 
     82            // TODO: resample.setSampleSizePercent((100.0*counts[1])/100+0.01); 
     83            // Ohne +0.01 wird bei tomcat, xerces-1.2 und jedit-4.0 ein negative 
     84            // weniger zurückgegeben 
     85            resample.setSampleSizePercent((100.0 * counts[0]) / counts[1]); 
     86            try { 
     87                resample.setInputFormat(traindata); 
     88                positives = Filter.useFilter(positives, resample); 
     89            } 
     90            catch (Exception e) { 
     91                throw new RuntimeException(e); 
     92            } 
     93            traindata.clear(); 
     94            for (int i = 0; i < negatives.size(); i++) { 
     95                traindata.add(negatives.get(i)); 
     96            } 
     97            for (int i = 0; i < positives.size(); i++) { 
     98                traindata.add(positives.get(i)); 
     99            } 
     100        } 
     101    } 
    92102 
    93103} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/Resampling.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * Resamples the data with WEKA {@link Resample} to have a uniform distribution among all classes.    
     24 * Resamples the data with WEKA {@link Resample} to have a uniform distribution among all classes. 
     25 *  
    1126 * @author Steffen Herbold 
    1227 */ 
    13 public class Resampling implements IProcessesingStrategy, 
    14                 ISetWiseProcessingStrategy { 
     28public class Resampling implements IProcessesingStrategy, ISetWiseProcessingStrategy { 
    1529 
    16          
    17         /** 
    18          * Does not have parameters. String is ignored. 
    19          * @param parameters ignored 
    20          */ 
    21         @Override 
    22         public void setParameter(String parameters) { 
    23                 // dummy 
    24         } 
     30    /** 
     31     * Does not have parameters. String is ignored. 
     32     *  
     33     * @param parameters 
     34     *            ignored 
     35     */ 
     36    @Override 
     37    public void setParameter(String parameters) { 
     38        // dummy 
     39    } 
    2540 
    26         /* 
    27          * (non-Javadoc) 
    28          * @see de.ugoe.cs.cpdp.dataprocessing.ISetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    29          */ 
    30         @Override 
    31         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    32                 for( Instances traindata : traindataSet ) { 
    33                         apply(testdata, traindata); 
    34                 } 
    35         } 
     41    /* 
     42     * (non-Javadoc) 
     43     *  
     44     * @see de.ugoe.cs.cpdp.dataprocessing.ISetWiseProcessingStrategy#apply(weka.core.Instances, 
     45     * org.apache.commons.collections4.list.SetUniqueList) 
     46     */ 
     47    @Override 
     48    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     49        for (Instances traindata : traindataSet) { 
     50            apply(testdata, traindata); 
     51        } 
     52    } 
    3653 
    37         /* 
    38          * (non-Javadoc) 
    39          * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    40          */ 
    41         @Override 
    42         public void apply(Instances testdata, Instances traindata) { 
    43                 Resample resample = new Resample(); 
    44                 resample.setSampleSizePercent(100); 
    45                 resample.setBiasToUniformClass(1.0); 
    46                  
    47                 Instances traindataSample; 
    48                 try { 
    49                         resample.setInputFormat(traindata); 
    50                         traindataSample = Filter.useFilter(traindata, resample); 
    51                 } catch (Exception e) { 
    52                         throw new RuntimeException(e); 
    53                 } 
    54                 traindata.clear(); 
    55                 for( int i=0 ; i<traindataSample.size() ; i++ ) { 
    56                         traindata.add(traindataSample.get(i)); 
    57                 } 
    58         } 
     54    /* 
     55     * (non-Javadoc) 
     56     *  
     57     * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, 
     58     * weka.core.Instances) 
     59     */ 
     60    @Override 
     61    public void apply(Instances testdata, Instances traindata) { 
     62        Resample resample = new Resample(); 
     63        resample.setSampleSizePercent(100); 
     64        resample.setBiasToUniformClass(1.0); 
     65 
     66        Instances traindataSample; 
     67        try { 
     68            resample.setInputFormat(traindata); 
     69            traindataSample = Filter.useFilter(traindata, resample); 
     70        } 
     71        catch (Exception e) { 
     72            throw new RuntimeException(e); 
     73        } 
     74        traindata.clear(); 
     75        for (int i = 0; i < traindataSample.size(); i++) { 
     76            traindata.add(traindataSample.get(i)); 
     77        } 
     78    } 
    5979 
    6080} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/SimulationFilter.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    1226 * Filter for the Repast Simulation of Software Projects. 
    1327 *  
    14  * Filters the training dataset in the following way: If 0 is no bug 
    15  * and 1 means there is a bug in this artifact, then this filter 
    16  * filters the dataset in this way: 
     28 * Filters the training dataset in the following way: If 0 is no bug and 1 means there is a bug in 
     29 * this artifact, then this filter filters the dataset in this way: 
    1730 *  
    18  * 10010111000101110101111011101 
    19  * x--x-x-----x-x---x-x----x---x 
     31 * 10010111000101110101111011101 x--x-x-----x-x---x-x----x---x 
    2032 *  
    21  * The instances, which are marked with x in this graphic are included 
    22  * in the newly created dataset and form the trainingsdataset. 
     33 * The instances, which are marked with x in this graphic are included in the newly created dataset 
     34 * and form the trainingsdataset. 
    2335 *  
    2436 * @author Fabian Trautsch 
    25  * 
     37 *  
    2638 */ 
    2739 
    28 public class SimulationFilter implements IProcessesingStrategy{ 
     40public class SimulationFilter implements IProcessesingStrategy { 
    2941 
    30         /** 
    31         * Does not have parameters. String is ignored. 
    32          * @param parameters ignored 
    33          */ 
    34         @Override 
    35         public void setParameter(String parameters) { 
    36                 // dummy 
    37                  
    38         } 
     42    /** 
     43    * Does not have parameters. String is ignored. 
     44     *  
     45     * @param parameters 
     46     *            ignored 
     47     */ 
     48    @Override 
     49    public void setParameter(String parameters) { 
     50        // dummy 
    3951 
    40          
    41         /* 
    42          * (non-Javadoc) 
    43          * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    44          */ 
    45         @Override 
    46         public void apply(Instances testdata, Instances traindata) { 
    47                 Instances newDataSet = new Instances(traindata); 
    48                 traindata.delete(); 
    49                  
    50                 HashMap<Double, Instance> artifactNames = new HashMap<Double, Instance>(); 
    51                  
    52                 // This is to add all data, where the first occurence of the file has a bug 
    53                 ArrayList<Double> firstOccurenceArtifactNames = new ArrayList<Double>(); 
    54                  
    55                 // Sort dataset (StateID is connected to the date of commit: Lower StateID 
    56                 // means earlier commit than a higher stateID) 
    57                 Attribute wekaAttribute = newDataSet.attribute("Artifact.Target.StateID"); 
    58                 newDataSet.sort(wekaAttribute); 
    59                  
    60                  
    61                 /* 
    62                  * Logical summary: 
    63                  * If there is an instance that dont have a bug, put it into the hashmap (only unique values in there) 
    64                  *  
    65                  * If there is an instance, that hava a bug look up if it is in the hashmap already (this means: 
    66                  * it does not had a bug before!): If this is true add it to a new dataset and remove it from 
    67                  * the hashmap, so that new changes from "nonBug" -> "bug" for this file can be found. 
    68                  *  
    69                  * If the instance has a bug and is not in the hashmap (this means: The file has a bug with its 
    70                  * first occurence or this file only has bugs and not an instance with no bug), then (if it is 
    71                  * not in the arrayList above) add it to the new dataset. This way it is possible to get 
    72                  * the first occurence of a file, which has a bug 
    73                  *  
    74                  */ 
    75                 for(int i=0; i<newDataSet.numInstances(); i++) { 
    76                         Instance wekaInstance = newDataSet.instance(i); 
     52    } 
    7753 
    78                         double newBugLabel = wekaInstance.classValue(); 
    79                         Attribute wekaArtifactName = newDataSet.attribute("Artifact.Name"); 
    80                         Double artifactName = wekaInstance.value(wekaArtifactName); 
    81                          
    82                         if(newBugLabel == 0.0 && artifactNames.keySet().contains(artifactName)) { 
    83                                 artifactNames.put(artifactName, wekaInstance); 
    84                         } else if(newBugLabel == 0.0 && !artifactNames.keySet().contains(artifactName)) { 
    85                                 artifactNames.put(artifactName, wekaInstance); 
    86                         } else if(newBugLabel == 1.0 && artifactNames.keySet().contains(artifactName)) { 
    87                                 traindata.add(wekaInstance); 
    88                                 artifactNames.remove(artifactName); 
    89                         } else if(newBugLabel == 1.0 && !artifactNames.keySet().contains(artifactName)) { 
    90                                 if(!firstOccurenceArtifactNames.contains(artifactName)) { 
    91                                         traindata.add(wekaInstance); 
    92                                         firstOccurenceArtifactNames.add(artifactName); 
    93                                 } 
    94                         } 
    95                 } 
    96                  
    97                  
    98                 // If we have a file, that never had a bug (this is, when it is NOT in the 
    99                 // new created dataset, but it is in the HashMap from above) add it to 
    100                 // the new dataset 
    101                  
    102                 double[] artifactNamesinNewDataSet = traindata.attributeToDoubleArray(0); 
    103                 HashMap<Double, Instance> artifactNamesCopy = new HashMap<Double, Instance>(artifactNames); 
    104                  
    105                  
    106                 for(Double artifactName : artifactNames.keySet()) { 
    107          
    108                         for(int i=0; i<artifactNamesinNewDataSet.length; i++) { 
    109                                 if(artifactNamesinNewDataSet[i] == artifactName) { 
    110                                         artifactNamesCopy.remove(artifactName); 
    111                                 } 
    112                         } 
    113                 } 
    114                  
    115                 for(Double artifact: artifactNamesCopy.keySet()) { 
    116                         traindata.add(artifactNamesCopy.get(artifact)); 
    117                 } 
    118                  
    119         } 
     54    /* 
     55     * (non-Javadoc) 
     56     *  
     57     * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, 
     58     * weka.core.Instances) 
     59     */ 
     60    @Override 
     61    public void apply(Instances testdata, Instances traindata) { 
     62        Instances newDataSet = new Instances(traindata); 
     63        traindata.delete(); 
     64 
     65        HashMap<Double, Instance> artifactNames = new HashMap<Double, Instance>(); 
     66 
     67        // This is to add all data, where the first occurence of the file has a bug 
     68        ArrayList<Double> firstOccurenceArtifactNames = new ArrayList<Double>(); 
     69 
     70        // Sort dataset (StateID is connected to the date of commit: Lower StateID 
     71        // means earlier commit than a higher stateID) 
     72        Attribute wekaAttribute = newDataSet.attribute("Artifact.Target.StateID"); 
     73        newDataSet.sort(wekaAttribute); 
     74 
     75        /* 
     76         * Logical summary: If there is an instance that dont have a bug, put it into the hashmap 
     77         * (only unique values in there) 
     78         *  
     79         * If there is an instance, that hava a bug look up if it is in the hashmap already (this 
     80         * means: it does not had a bug before!): If this is true add it to a new dataset and remove 
     81         * it from the hashmap, so that new changes from "nonBug" -> "bug" for this file can be 
     82         * found. 
     83         *  
     84         * If the instance has a bug and is not in the hashmap (this means: The file has a bug with 
     85         * its first occurence or this file only has bugs and not an instance with no bug), then (if 
     86         * it is not in the arrayList above) add it to the new dataset. This way it is possible to 
     87         * get the first occurence of a file, which has a bug 
     88         */ 
     89        for (int i = 0; i < newDataSet.numInstances(); i++) { 
     90            Instance wekaInstance = newDataSet.instance(i); 
     91 
     92            double newBugLabel = wekaInstance.classValue(); 
     93            Attribute wekaArtifactName = newDataSet.attribute("Artifact.Name"); 
     94            Double artifactName = wekaInstance.value(wekaArtifactName); 
     95 
     96            if (newBugLabel == 0.0 && artifactNames.keySet().contains(artifactName)) { 
     97                artifactNames.put(artifactName, wekaInstance); 
     98            } 
     99            else if (newBugLabel == 0.0 && !artifactNames.keySet().contains(artifactName)) { 
     100                artifactNames.put(artifactName, wekaInstance); 
     101            } 
     102            else if (newBugLabel == 1.0 && artifactNames.keySet().contains(artifactName)) { 
     103                traindata.add(wekaInstance); 
     104                artifactNames.remove(artifactName); 
     105            } 
     106            else if (newBugLabel == 1.0 && !artifactNames.keySet().contains(artifactName)) { 
     107                if (!firstOccurenceArtifactNames.contains(artifactName)) { 
     108                    traindata.add(wekaInstance); 
     109                    firstOccurenceArtifactNames.add(artifactName); 
     110                } 
     111            } 
     112        } 
     113 
     114        // If we have a file, that never had a bug (this is, when it is NOT in the 
     115        // new created dataset, but it is in the HashMap from above) add it to 
     116        // the new dataset 
     117 
     118        double[] artifactNamesinNewDataSet = traindata.attributeToDoubleArray(0); 
     119        HashMap<Double, Instance> artifactNamesCopy = new HashMap<Double, Instance>(artifactNames); 
     120 
     121        for (Double artifactName : artifactNames.keySet()) { 
     122 
     123            for (int i = 0; i < artifactNamesinNewDataSet.length; i++) { 
     124                if (artifactNamesinNewDataSet[i] == artifactName) { 
     125                    artifactNamesCopy.remove(artifactName); 
     126                } 
     127            } 
     128        } 
     129 
     130        for (Double artifact : artifactNamesCopy.keySet()) { 
     131            traindata.add(artifactNamesCopy.get(artifact)); 
     132        } 
     133 
     134    } 
    120135 
    121136} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/Undersampling.java

    r18 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    822 
    923/** 
    10  * Implements undersampling, a strategy for handling bias in data. In case there are less positive samples (i.e. defect-prone) samples in the 
    11  * data than negative samples (i.e. non-defect-prone), the non-defect-prone entities are sampled such thatthe number of defect-prone and non-defect-prone instances is the same afterwards.   
     24 * Implements undersampling, a strategy for handling bias in data. In case there are less positive 
     25 * samples (i.e. defect-prone) samples in the data than negative samples (i.e. non-defect-prone), 
     26 * the non-defect-prone entities are sampled such thatthe number of defect-prone and 
     27 * non-defect-prone instances is the same afterwards. 
     28 *  
    1229 * @author Steffen Herbold 
    1330 */ 
    14 public class Undersampling implements IProcessesingStrategy, 
    15                 ISetWiseProcessingStrategy { 
     31public class Undersampling implements IProcessesingStrategy, ISetWiseProcessingStrategy { 
    1632 
    17          
    18         /** 
    19          * Does not have parameters. String is ignored. 
    20          * @param parameters ignored 
    21          */ 
    22         @Override 
    23         public void setParameter(String parameters) { 
    24                 // dummy 
    25         } 
     33    /** 
     34     * Does not have parameters. String is ignored. 
     35     *  
     36     * @param parameters 
     37     *            ignored 
     38     */ 
     39    @Override 
     40    public void setParameter(String parameters) { 
     41        // dummy 
     42    } 
    2643 
    27         /* 
    28          * (non-Javadoc) 
    29          * @see de.ugoe.cs.cpdp.dataprocessing.ISetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    30          */ 
    31         @Override 
    32         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    33                 for( Instances traindata : traindataSet ) { 
    34                         apply(testdata, traindata); 
    35                 } 
    36         } 
     44    /* 
     45     * (non-Javadoc) 
     46     *  
     47     * @see de.ugoe.cs.cpdp.dataprocessing.ISetWiseProcessingStrategy#apply(weka.core.Instances, 
     48     * org.apache.commons.collections4.list.SetUniqueList) 
     49     */ 
     50    @Override 
     51    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     52        for (Instances traindata : traindataSet) { 
     53            apply(testdata, traindata); 
     54        } 
     55    } 
    3756 
    38         /* 
    39          * (non-Javadoc) 
    40          * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    41          */ 
    42         @Override 
    43         public void apply(Instances testdata, Instances traindata) { 
    44                  
    45                 final int[] counts = traindata.attributeStats(traindata.classIndex()).nominalCounts; 
    46                  
    47                 if( counts[1]<counts[0] ) { 
    48                         Instances negatives = new Instances(traindata); 
    49                         Instances positives = new Instances(traindata); 
    50                          
    51                         for( int i=traindata.size()-1 ; i>=0 ; i-- ) { 
    52                                 if( Double.compare(1.0, negatives.get(i).classValue())==0 ) { 
    53                                         negatives.remove(i); 
    54                                 } 
    55                                 if( Double.compare(0.0, positives.get(i).classValue())==0 ) { 
    56                                         positives.remove(i); 
    57                                 } 
    58                         } 
    59                          
    60                         Resample resample = new Resample(); 
    61                         // TODO: resample.setSampleSizePercent((100.0*counts[1])/100+0.01); 
    62                         // Ohne +0.01 wird bei tomcat, xerces-1.2 und jedit-4.0 ein negative weniger zurückgegeben 
    63                         resample.setSampleSizePercent((100.0* counts[1])/counts[0]); 
    64                         try { 
    65                                 resample.setInputFormat(traindata); 
    66                                 negatives = Filter.useFilter(negatives, resample); 
    67                         } catch (Exception e) { 
    68                                 throw new RuntimeException(e); 
    69                         } 
    70                         traindata.clear(); 
    71                         for( int i=0 ; i<negatives.size() ; i++ ) { 
    72                                 traindata.add(negatives.get(i)); 
    73                         } 
    74                         for( int i=0 ; i<positives.size() ; i++ ) { 
    75                                 traindata.add(positives.get(i)); 
    76                         } 
    77                 } 
    78         } 
     57    /* 
     58     * (non-Javadoc) 
     59     *  
     60     * @see de.ugoe.cs.cpdp.dataprocessing.IProcessesingStrategy#apply(weka.core.Instances, 
     61     * weka.core.Instances) 
     62     */ 
     63    @Override 
     64    public void apply(Instances testdata, Instances traindata) { 
     65 
     66        final int[] counts = traindata.attributeStats(traindata.classIndex()).nominalCounts; 
     67 
     68        if (counts[1] < counts[0]) { 
     69            Instances negatives = new Instances(traindata); 
     70            Instances positives = new Instances(traindata); 
     71 
     72            for (int i = traindata.size() - 1; i >= 0; i--) { 
     73                if (Double.compare(1.0, negatives.get(i).classValue()) == 0) { 
     74                    negatives.remove(i); 
     75                } 
     76                if (Double.compare(0.0, positives.get(i).classValue()) == 0) { 
     77                    positives.remove(i); 
     78                } 
     79            } 
     80 
     81            Resample resample = new Resample(); 
     82            // TODO: resample.setSampleSizePercent((100.0*counts[1])/100+0.01); 
     83            // Ohne +0.01 wird bei tomcat, xerces-1.2 und jedit-4.0 ein negative weniger 
     84            // zurückgegeben 
     85            resample.setSampleSizePercent((100.0 * counts[1]) / counts[0]); 
     86            try { 
     87                resample.setInputFormat(traindata); 
     88                negatives = Filter.useFilter(negatives, resample); 
     89            } 
     90            catch (Exception e) { 
     91                throw new RuntimeException(e); 
     92            } 
     93            traindata.clear(); 
     94            for (int i = 0; i < negatives.size(); i++) { 
     95                traindata.add(negatives.get(i)); 
     96            } 
     97            for (int i = 0; i < positives.size(); i++) { 
     98                traindata.add(positives.get(i)); 
     99            } 
     100        } 
     101    } 
    79102 
    80103} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/ZScoreNormalization.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    1428public class ZScoreNormalization implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
    1529 
    16         /** 
    17          * Does not have parameters. String is ignored. 
    18          * @param parameters ignored 
    19          */ 
    20         @Override 
    21         public void setParameter(String parameters) { 
    22                 // dummy 
    23         } 
     30    /** 
     31     * Does not have parameters. String is ignored. 
     32     *  
     33     * @param parameters 
     34     *            ignored 
     35     */ 
     36    @Override 
     37    public void setParameter(String parameters) { 
     38        // dummy 
     39    } 
    2440 
    25         /** 
    26          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    27          */ 
    28         @Override 
    29         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    30                 normalize(testdata); 
    31                 for( Instances instances : traindataSet ) { 
    32                         normalize(instances); 
    33                 } 
    34         } 
     41    /** 
     42     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     43     *      org.apache.commons.collections4.list.SetUniqueList) 
     44     */ 
     45    @Override 
     46    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     47        normalize(testdata); 
     48        for (Instances instances : traindataSet) { 
     49            normalize(instances); 
     50        } 
     51    } 
    3552 
    36         /** 
    37          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    38          */ 
    39         @Override 
    40         public void apply(Instances testdata, Instances traindata) { 
    41                 normalize(testdata); 
    42                 normalize(traindata); 
    43         } 
    44          
    45         private void normalize(Instances instances) { 
    46                 instances.toString(); 
    47                 final Attribute classAttribute = instances.classAttribute(); 
    48                  
    49                 final double[] means = new double[instances.numAttributes()]; 
    50                 final double[] stddevs = new double[instances.numAttributes()]; 
    51                  
    52                 // get means and stddevs of data 
    53                 for( int j=0 ; j<instances.numAttributes() ; j++ ) { 
    54                         if( instances.attribute(j)!=classAttribute ) { 
    55                                 means[j] = instances.meanOrMode(j); 
    56                                 stddevs[j] = Math.sqrt(instances.variance(j)); 
    57                         } 
    58                 } 
    59                 for( int i=0 ; i<instances.numAttributes(); i++) { 
    60                         if( !instances.attribute(i).equals(classAttribute) ) { 
    61                                 for( int j=0 ; j<instances.numInstances() ; j++ ) { 
    62                                         Instance inst = instances.get(i); 
    63                                         double newValue = (inst.value(i)-means[i])/stddevs[i]; 
    64                                         if( newValue==Double.NaN ) { 
    65                                                 System.out.println("foooooo"); 
    66                                         } 
    67                                         inst.setValue(i, newValue); 
    68                                 } 
    69                         } 
    70                 } 
    71         } 
     53    /** 
     54     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     55     *      weka.core.Instances) 
     56     */ 
     57    @Override 
     58    public void apply(Instances testdata, Instances traindata) { 
     59        normalize(testdata); 
     60        normalize(traindata); 
     61    } 
     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    } 
    7290 
    7391} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataprocessing/ZScoreTargetNormalization.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataprocessing; 
    216 
     
    1226 * @author Steffen Herbold 
    1327 */ 
    14 public class ZScoreTargetNormalization implements ISetWiseProcessingStrategy, IProcessesingStrategy { 
     28public class ZScoreTargetNormalization implements ISetWiseProcessingStrategy, IProcessesingStrategy 
     29{ 
    1530 
    16         /** 
    17          * Does not have parameters. String is ignored. 
    18          * @param parameters ignored 
    19          */ 
    20         @Override 
    21         public void setParameter(String parameters) { 
    22                 // dummy 
    23         } 
     31    /** 
     32     * Does not have parameters. String is ignored. 
     33     *  
     34     * @param parameters 
     35     *            ignored 
     36     */ 
     37    @Override 
     38    public void setParameter(String parameters) { 
     39        // dummy 
     40    } 
    2441 
    25         /** 
    26          * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    27          */ 
    28         @Override 
    29         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    30                 final Attribute classAttribute = testdata.classAttribute(); 
    31                  
    32                 final double[] meanTest = new double[testdata.numAttributes()]; 
    33                 final double[] stddevTest = new double[testdata.numAttributes()]; 
    34                  
    35                 // get means of testdata 
    36                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    37                         if( testdata.attribute(j)!=classAttribute ) { 
    38                                 meanTest[j] = testdata.meanOrMode(j); 
    39                                 stddevTest[j] = Math.sqrt(testdata.variance(j)); 
    40                         } 
    41                 } 
    42                  
    43                 // preprocess test data 
    44                 for( int i=0 ; i<testdata.numInstances() ; i++ ) { 
    45                         Instance instance = testdata.instance(i); 
    46                         for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    47                                 if( testdata.attribute(j)!=classAttribute ) { 
    48                                         instance.setValue(j, instance.value(j)-meanTest[j]/stddevTest[j]); 
    49                                 } 
    50                         } 
    51                 } 
    52                  
    53                 // preprocess training data 
    54                 for( Instances traindata : traindataSet ) {                      
    55                         for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    56                                 Instance instance = traindata.instance(i); 
    57                                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    58                                         if( testdata.attribute(j)!=classAttribute ) { 
    59                                                 instance.setValue(j, instance.value(j)-meanTest[j]/stddevTest[j]); 
    60                                         } 
    61                                 } 
    62                         } 
    63                 } 
    64         } 
     42    /** 
     43     * @see de.ugoe.cs.cpdp.dataprocessing.SetWiseProcessingStrategy#apply(weka.core.Instances, 
     44     *      org.apache.commons.collections4.list.SetUniqueList) 
     45     */ 
     46    @Override 
     47    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     48        final Attribute classAttribute = testdata.classAttribute(); 
    6549 
    66         /** 
    67          * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, weka.core.Instances) 
    68          */ 
    69         @Override 
    70         public void apply(Instances testdata, Instances traindata) { 
    71                 final Attribute classAttribute = testdata.classAttribute(); 
    72                  
    73                 final double[] meanTest = new double[testdata.numAttributes()]; 
    74                 final double[] stddevTest = new double[testdata.numAttributes()]; 
    75                  
    76                 // get means of testdata 
    77                 for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    78                         if( testdata.attribute(j)!=classAttribute ) { 
    79                                 meanTest[j] = testdata.meanOrMode(j); 
    80                                 stddevTest[j] = Math.sqrt(testdata.variance(j)); 
    81                         } 
    82                 } 
    83                  
    84                 // preprocess test data 
    85                 for( int i=0 ; i<testdata.numInstances() ; i++ ) { 
    86                         Instance instance = testdata.instance(i); 
    87                         for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    88                                 if( testdata.attribute(j)!=classAttribute ) { 
    89                                         instance.setValue(j, instance.value(j)-meanTest[j]/stddevTest[j]); 
    90                                 } 
    91                         } 
    92                 } 
    93                  
    94                 // preprocess training data 
    95                 for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    96                         Instance instance = traindata.instance(i); 
    97                         for( int j=0 ; j<testdata.numAttributes() ; j++ ) { 
    98                                 if( testdata.attribute(j)!=classAttribute ) { 
    99                                         instance.setValue(j, instance.value(j)-meanTest[j]/stddevTest[j]); 
    100                                 } 
    101                         } 
    102                 } 
    103         } 
     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        } 
     82    } 
     83 
     84    /** 
     85     * @see de.ugoe.cs.cpdp.dataprocessing.ProcessesingStrategy#apply(weka.core.Instances, 
     86     *      weka.core.Instances) 
     87     */ 
     88    @Override 
     89    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        } 
     122    } 
    104123} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/AbstractCharacteristicSelection.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    1428 
    1529/** 
    16  * Abstract class that implements the foundation of setwise data selection strategies using distributional characteristics. 
    17  * This class provides the means to transform the data sets into their characteristic vectors.   
     30 * Abstract class that implements the foundation of setwise data selection strategies using 
     31 * distributional characteristics. This class provides the means to transform the data sets into 
     32 * their characteristic vectors. 
     33 *  
    1834 * @author Steffen Herbold 
    1935 */ 
    20 public abstract class AbstractCharacteristicSelection implements 
    21                 ISetWiseDataselectionStrategy { 
     36public abstract class AbstractCharacteristicSelection implements ISetWiseDataselectionStrategy { 
    2237 
    23         /** 
    24          * vector with the distributional characteristics  
    25          */ 
    26         private String[] characteristics = new String[]{"mean","stddev"}; 
    27          
    28         /** 
    29          * Sets the distributional characteristics. The names of the characteristics are separated by blanks.  
    30          */ 
    31         @Override 
    32         public void setParameter(String parameters) { 
    33                 if( !"".equals(parameters) ) { 
    34                         characteristics = parameters.split(" "); 
    35                 } 
    36         } 
    37          
    38         /** 
    39          * Transforms the data into the distributional characteristics. The first instance is the test data, followed by the training data.  
    40          * @param testdata test data 
    41          * @param traindataSet training data sets 
    42          * @return distributional characteristics of the data 
    43          */ 
    44         protected Instances characteristicInstances(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    45                 // setup weka Instances for clustering 
    46                 final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
    47                  
    48                 final Attribute classAtt = testdata.classAttribute(); 
    49                 for( int i=0 ; i<testdata.numAttributes() ; i++ ) { 
    50                         Attribute dataAtt = testdata.attribute(i); 
    51                         if( !dataAtt.equals(classAtt) ) { 
    52                                 for( String characteristic : characteristics ) { 
    53                                         atts.add(new Attribute(dataAtt.name() + "_" + characteristic)); 
    54                                 } 
    55                         } 
    56                 } 
    57                 final Instances data = new Instances("distributional_characteristics", atts, 0); 
    58                  
    59                 // setup data for clustering 
    60                 double[] instanceValues = new double[atts.size()]; 
    61                 for( int i=0 ; i<testdata.numAttributes() ; i++ ) { 
    62                         Attribute dataAtt = testdata.attribute(i); 
    63                         if( !dataAtt.equals(classAtt) ) { 
    64                                 Stats stats = testdata.attributeStats(i).numericStats; 
    65                                 for( int j=0; j<characteristics.length; j++ ) { 
    66                                         if( "mean".equals(characteristics[j]) ) { 
    67                                                 instanceValues[i*characteristics.length+j] = stats.mean; 
    68                                         } else if( "stddev".equals(characteristics[j])) { 
    69                                                 instanceValues[i*characteristics.length+j] = stats.stdDev; 
    70                                         } else if( "var".equals(characteristics[j])) { 
    71                                                 instanceValues[i*characteristics.length+j] = testdata.variance(j); 
    72                                         } else { 
    73                                                 throw new RuntimeException("Unkown distributional characteristic: " + characteristics[j]); 
    74                                         } 
    75                                 } 
    76                         } 
    77                 }                
    78                 data.add(new DenseInstance(1.0, instanceValues)); 
    79                  
    80                 for( Instances traindata : traindataSet ) { 
    81                         instanceValues = new double[atts.size()]; 
    82                         for( int i=0 ; i<traindata.numAttributes() ; i++ ) { 
    83                                 Attribute dataAtt = traindata.attribute(i); 
    84                                 if( !dataAtt.equals(classAtt) ) { 
    85                                         Stats stats = traindata.attributeStats(i).numericStats; 
    86                                         for( int j=0; j<characteristics.length; j++ ) { 
    87                                                 if( "mean".equals(characteristics[j]) ) { 
    88                                                         instanceValues[i*characteristics.length+j] = stats.mean; 
    89                                                 } else if( "stddev".equals(characteristics[j])) { 
    90                                                         instanceValues[i*characteristics.length+j] = stats.stdDev; 
    91                                                 } else if( "var".equals(characteristics[j])) { 
    92                                                         instanceValues[i*characteristics.length+j] = testdata.variance(j); 
    93                                                 } else { 
    94                                                         throw new RuntimeException("Unkown distributional characteristic: " + characteristics[j]); 
    95                                                 } 
    96                                         } 
    97                                 } 
    98                         }                
    99                         Instance instance = new DenseInstance(1.0, instanceValues); 
    100                          
    101                         data.add(instance); 
    102                 } 
    103                 return data; 
    104         } 
    105          
    106         /** 
    107          * Returns the normalized distributional characteristics of the training data.  
    108          * @param testdata test data 
    109          * @param traindataSet training data sets 
    110          * @return normalized distributional characteristics of the data 
    111          */ 
    112         protected Instances normalizedCharacteristicInstances(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    113                 Instances data = characteristicInstances(testdata, traindataSet); 
    114                 try { 
    115                         final Normalize normalizer = new Normalize(); 
    116                         normalizer.setInputFormat(data); 
    117                         data = Filter.useFilter(data, normalizer); 
    118                 } catch (Exception e) { 
    119                         throw new RuntimeException("Unexpected exception during normalization of distributional characteristics.", e); 
    120                 } 
    121                 return data; 
    122         } 
     38    /** 
     39     * vector with the distributional characteristics 
     40     */ 
     41    private String[] characteristics = new String[] 
     42        { "mean", "stddev" }; 
     43 
     44    /** 
     45     * Sets the distributional characteristics. The names of the characteristics are separated by 
     46     * blanks. 
     47     */ 
     48    @Override 
     49    public void setParameter(String parameters) { 
     50        if (!"".equals(parameters)) { 
     51            characteristics = parameters.split(" "); 
     52        } 
     53    } 
     54 
     55    /** 
     56     * Transforms the data into the distributional characteristics. The first instance is the test 
     57     * data, followed by the training data. 
     58     *  
     59     * @param testdata 
     60     *            test data 
     61     * @param traindataSet 
     62     *            training data sets 
     63     * @return distributional characteristics of the data 
     64     */ 
     65    protected Instances characteristicInstances(Instances testdata, 
     66                                                SetUniqueList<Instances> traindataSet) 
     67    { 
     68        // setup weka Instances for clustering 
     69        final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
     70 
     71        final Attribute classAtt = testdata.classAttribute(); 
     72        for (int i = 0; i < testdata.numAttributes(); i++) { 
     73            Attribute dataAtt = testdata.attribute(i); 
     74            if (!dataAtt.equals(classAtt)) { 
     75                for (String characteristic : characteristics) { 
     76                    atts.add(new Attribute(dataAtt.name() + "_" + characteristic)); 
     77                } 
     78            } 
     79        } 
     80        final Instances data = new Instances("distributional_characteristics", atts, 0); 
     81 
     82        // setup data for clustering 
     83        double[] instanceValues = new double[atts.size()]; 
     84        for (int i = 0; i < testdata.numAttributes(); i++) { 
     85            Attribute dataAtt = testdata.attribute(i); 
     86            if (!dataAtt.equals(classAtt)) { 
     87                Stats stats = testdata.attributeStats(i).numericStats; 
     88                for (int j = 0; j < characteristics.length; j++) { 
     89                    if ("mean".equals(characteristics[j])) { 
     90                        instanceValues[i * characteristics.length + j] = stats.mean; 
     91                    } 
     92                    else if ("stddev".equals(characteristics[j])) { 
     93                        instanceValues[i * characteristics.length + j] = stats.stdDev; 
     94                    } 
     95                    else if ("var".equals(characteristics[j])) { 
     96                        instanceValues[i * characteristics.length + j] = testdata.variance(j); 
     97                    } 
     98                    else { 
     99                        throw new RuntimeException("Unkown distributional characteristic: " + 
     100                            characteristics[j]); 
     101                    } 
     102                } 
     103            } 
     104        } 
     105        data.add(new DenseInstance(1.0, instanceValues)); 
     106 
     107        for (Instances traindata : traindataSet) { 
     108            instanceValues = new double[atts.size()]; 
     109            for (int i = 0; i < traindata.numAttributes(); i++) { 
     110                Attribute dataAtt = traindata.attribute(i); 
     111                if (!dataAtt.equals(classAtt)) { 
     112                    Stats stats = traindata.attributeStats(i).numericStats; 
     113                    for (int j = 0; j < characteristics.length; j++) { 
     114                        if ("mean".equals(characteristics[j])) { 
     115                            instanceValues[i * characteristics.length + j] = stats.mean; 
     116                        } 
     117                        else if ("stddev".equals(characteristics[j])) { 
     118                            instanceValues[i * characteristics.length + j] = stats.stdDev; 
     119                        } 
     120                        else if ("var".equals(characteristics[j])) { 
     121                            instanceValues[i * characteristics.length + j] = testdata.variance(j); 
     122                        } 
     123                        else { 
     124                            throw new RuntimeException("Unkown distributional characteristic: " + 
     125                                characteristics[j]); 
     126                        } 
     127                    } 
     128                } 
     129            } 
     130            Instance instance = new DenseInstance(1.0, instanceValues); 
     131 
     132            data.add(instance); 
     133        } 
     134        return data; 
     135    } 
     136 
     137    /** 
     138     * Returns the normalized distributional characteristics of the training data. 
     139     *  
     140     * @param testdata 
     141     *            test data 
     142     * @param traindataSet 
     143     *            training data sets 
     144     * @return normalized distributional characteristics of the data 
     145     */ 
     146    protected Instances normalizedCharacteristicInstances(Instances testdata, 
     147                                                          SetUniqueList<Instances> traindataSet) 
     148    { 
     149        Instances data = characteristicInstances(testdata, traindataSet); 
     150        try { 
     151            final Normalize normalizer = new Normalize(); 
     152            normalizer.setInputFormat(data); 
     153            data = Filter.useFilter(data, normalizer); 
     154        } 
     155        catch (Exception e) { 
     156            throw new RuntimeException( 
     157                                       "Unexpected exception during normalization of distributional characteristics.", 
     158                                       e); 
     159        } 
     160        return data; 
     161    } 
    123162} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/IPointWiseDataselectionStrategy.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    620 
    721/** 
    8  * Interface for pointwise data selection strategies.  
     22 * Interface for pointwise data selection strategies. 
     23 *  
    924 * @author Steffen Herbold 
    1025 */ 
    1126public interface IPointWiseDataselectionStrategy extends IParameterizable { 
    1227 
    13         /** 
    14          * Applies the data selection strategy.  
    15          * @param testdata test data 
    16          * @param traindata candidate training data 
    17          * @return the selected training data 
    18          */ 
    19         Instances apply(Instances testdata, Instances traindata); 
     28    /** 
     29     * Applies the data selection strategy. 
     30     *  
     31     * @param testdata 
     32     *            test data 
     33     * @param traindata 
     34     *            candidate training data 
     35     * @return the selected training data 
     36     */ 
     37    Instances apply(Instances testdata, Instances traindata); 
    2038} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/ISetWiseDataselectionStrategy.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    923/** 
    1024 * Interface for setwise data selection strategies. 
     25 *  
    1126 * @author Steffen Herbold 
    1227 */ 
    1328public interface ISetWiseDataselectionStrategy extends IParameterizable { 
    1429 
    15         /** 
    16          * Applies a setwise data selection strategy.  
    17          * @param testdata test data for which the training data is selected 
    18          * @param traindataSet candidate training data 
    19          */ 
    20         void apply(Instances testdata, SetUniqueList<Instances> traindataSet); 
     30    /** 
     31     * Applies a setwise data selection strategy. 
     32     *  
     33     * @param testdata 
     34     *            test data for which the training data is selected 
     35     * @param traindataSet 
     36     *            candidate training data 
     37     */ 
     38    void apply(Instances testdata, SetUniqueList<Instances> traindataSet); 
    2139} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/PetersFilter.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    1327 
    1428/** 
    15  * Filter according to F. Peters, T. Menzies, and A. Marcus: Better Cross Company Defect Prediction 
    16  * <br><br> 
    17  * This filter does not work, the paper has been withdrawn.  
     29 * Filter according to F. Peters, T. Menzies, and A. Marcus: Better Cross Company Defect Prediction <br> 
     30 * <br> 
     31 * This filter does not work, the paper has been withdrawn. 
     32 *  
    1833 * @author Steffen Herbold 
    1934 */ 
     
    2136public class PetersFilter implements IPointWiseDataselectionStrategy { 
    2237 
    23          
    24         /** 
    25          * @see de.ugoe.cs.cpdp.IParameterizable#setParameter(java.lang.String) 
    26          */ 
    27         @Override 
    28         public void setParameter(String parameters) { 
    29                 // dummy 
    30         } 
     38    /** 
     39     * @see de.ugoe.cs.cpdp.IParameterizable#setParameter(java.lang.String) 
     40     */ 
     41    @Override 
     42    public void setParameter(String parameters) { 
     43        // dummy 
     44    } 
    3145 
    32         /** 
    33          * @see de.ugoe.cs.cpdp.dataselection.IPointWiseDataselectionStrategy#apply(weka.core.Instances, weka.core.Instances) 
    34          */ 
    35         @Override 
    36         public Instances apply(Instances testdata, Instances traindata) { 
    37                 final Attribute classAttribute = testdata.classAttribute(); 
    38                          
    39                 final double[][] testDoubles = new double[testdata.numInstances()][testdata.numAttributes()]; 
    40                 for( int i=0; i<testdata.numInstances() ; i++ ) { 
    41                         Instance instance = testdata.instance(i); 
    42                         int tmp = 0; 
    43                         for( int j=0 ; j<testdata.numAttributes(); j++ ) { 
    44                                 if( testdata.attribute(j)!=classAttribute ) { 
    45                                         testDoubles[i][tmp++] = instance.value(j); 
    46                                 } 
    47                         } 
    48                 } 
    49                  
    50                 final double[][] trainDoubles = new double[traindata.numInstances()][testdata.numAttributes()]; 
    51                 for( int i=0; i<traindata.numInstances() ; i++ ) { 
    52                         Instance instance = traindata.instance(i); 
    53                         int tmp = 0; 
    54                         for( int j=0 ; j<testdata.numAttributes(); j++ ) { 
    55                                 if( testdata.attribute(j)!=classAttribute ) { 
    56                                         trainDoubles[i][tmp++] = instance.value(j); 
    57                                 } 
    58                         } 
    59                 } 
    60                  
    61                 final List<List<Integer>> fanList = new ArrayList<List<Integer>>(testdata.numInstances()); 
    62                 for( int i=0; i<testdata.numInstances(); i++ ) { 
    63                         fanList.add(new LinkedList<Integer>()); 
    64                 } 
    65                  
    66                 for( int i=0; i<traindata.numInstances(); i++ ) { 
    67                         double minDistance = Double.MAX_VALUE; 
    68                         int minIndex = 0; 
    69                         for( int j=0; j<testdata.numInstances(); j++ ) { 
    70                                 double distance = MathArrays.distance(trainDoubles[i], testDoubles[j]); 
    71                                 if( distance<minDistance ) { 
    72                                         minDistance = distance; 
    73                                         minIndex = j; 
    74                                 } 
    75                         } 
    76                         fanList.get(minIndex).add(i); 
    77                 } 
    78                  
    79                 final SetUniqueList<Integer> selectedIndex = SetUniqueList.setUniqueList(new LinkedList<Integer>()); 
    80                 for( int i=0; i<testdata.numInstances(); i++ ) { 
    81                         double minDistance = Double.MAX_VALUE; 
    82                         int minIndex = -1; 
    83                         for( Integer j : fanList.get(i) ) { 
    84                                 double distance = MathArrays.distance(testDoubles[i], trainDoubles[j]); 
    85                                 if( distance<minDistance && distance>0.0d ) { 
    86                                         minDistance = distance; 
    87                                         minIndex = j; 
    88                                 } 
    89                         } 
    90                         if( minIndex!=-1 ) { 
    91                                 selectedIndex.add(minIndex); 
    92                         } 
    93                 } 
    94                  
    95                 final Instances selected = new Instances(testdata); 
    96                 selected.delete(); 
    97                 for( Integer i : selectedIndex) { 
    98                         selected.add(traindata.instance(i)); 
    99                 } 
    100                 return selected; 
    101         } 
     46    /** 
     47     * @see de.ugoe.cs.cpdp.dataselection.IPointWiseDataselectionStrategy#apply(weka.core.Instances, 
     48     *      weka.core.Instances) 
     49     */ 
     50    @Override 
     51    public Instances apply(Instances testdata, Instances traindata) { 
     52        final Attribute classAttribute = testdata.classAttribute(); 
     53 
     54        final double[][] testDoubles = 
     55            new double[testdata.numInstances()][testdata.numAttributes()]; 
     56        for (int i = 0; i < testdata.numInstances(); i++) { 
     57            Instance instance = testdata.instance(i); 
     58            int tmp = 0; 
     59            for (int j = 0; j < testdata.numAttributes(); j++) { 
     60                if (testdata.attribute(j) != classAttribute) { 
     61                    testDoubles[i][tmp++] = instance.value(j); 
     62                } 
     63            } 
     64        } 
     65 
     66        final double[][] trainDoubles = 
     67            new double[traindata.numInstances()][testdata.numAttributes()]; 
     68        for (int i = 0; i < traindata.numInstances(); i++) { 
     69            Instance instance = traindata.instance(i); 
     70            int tmp = 0; 
     71            for (int j = 0; j < testdata.numAttributes(); j++) { 
     72                if (testdata.attribute(j) != classAttribute) { 
     73                    trainDoubles[i][tmp++] = instance.value(j); 
     74                } 
     75            } 
     76        } 
     77 
     78        final List<List<Integer>> fanList = new ArrayList<List<Integer>>(testdata.numInstances()); 
     79        for (int i = 0; i < testdata.numInstances(); i++) { 
     80            fanList.add(new LinkedList<Integer>()); 
     81        } 
     82 
     83        for (int i = 0; i < traindata.numInstances(); i++) { 
     84            double minDistance = Double.MAX_VALUE; 
     85            int minIndex = 0; 
     86            for (int j = 0; j < testdata.numInstances(); j++) { 
     87                double distance = MathArrays.distance(trainDoubles[i], testDoubles[j]); 
     88                if (distance < minDistance) { 
     89                    minDistance = distance; 
     90                    minIndex = j; 
     91                } 
     92            } 
     93            fanList.get(minIndex).add(i); 
     94        } 
     95 
     96        final SetUniqueList<Integer> selectedIndex = 
     97            SetUniqueList.setUniqueList(new LinkedList<Integer>()); 
     98        for (int i = 0; i < testdata.numInstances(); i++) { 
     99            double minDistance = Double.MAX_VALUE; 
     100            int minIndex = -1; 
     101            for (Integer j : fanList.get(i)) { 
     102                double distance = MathArrays.distance(testDoubles[i], trainDoubles[j]); 
     103                if (distance < minDistance && distance > 0.0d) { 
     104                    minDistance = distance; 
     105                    minIndex = j; 
     106                } 
     107            } 
     108            if (minIndex != -1) { 
     109                selectedIndex.add(minIndex); 
     110            } 
     111        } 
     112 
     113        final Instances selected = new Instances(testdata); 
     114        selected.delete(); 
     115        for (Integer i : selectedIndex) { 
     116            selected.add(traindata.instance(i)); 
     117        } 
     118        return selected; 
     119    } 
    102120 
    103121} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/PointWiseEMClusterSelection.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    1428import de.ugoe.cs.util.console.Console; 
    1529 
    16  
    1730/** 
    1831 * Use in Config: 
    1932 *  
    20  * Specify number of clusters 
    21  * -N = Num Clusters 
    22  * <pointwiseselector name="PointWiseEMClusterSelection" param="-N 10"/> 
    23  * 
    24  * Try to determine the number of clusters: 
    25  * -I 10 = max iterations 
    26  * -X 5 = 5 folds for cross evaluation 
    27  * -max = max number of clusters 
    28  * <pointwiseselector name="PointWiseEMClusterSelection" param="-I 10 -X 5 -max 300"/> 
     33 * Specify number of clusters -N = Num Clusters <pointwiseselector 
     34 * name="PointWiseEMClusterSelection" param="-N 10"/> 
    2935 *  
    30  * Don't forget to add: 
    31  * <preprocessor name="Normalization" param=""/> 
     36 * Try to determine the number of clusters: -I 10 = max iterations -X 5 = 5 folds for cross 
     37 * evaluation -max = max number of clusters <pointwiseselector name="PointWiseEMClusterSelection" 
     38 * param="-I 10 -X 5 -max 300"/> 
     39 *  
     40 * Don't forget to add: <preprocessor name="Normalization" param=""/> 
    3241 */ 
    3342public class PointWiseEMClusterSelection implements IPointWiseDataselectionStrategy { 
    34          
    35         private String[] params;  
    36          
    37         @Override 
    38         public void setParameter(String parameters) { 
    39                 params = parameters.split(" "); 
    40         } 
    4143 
    42          
    43         /** 
    44          * 1. Cluster the traindata 
    45          * 2. for each instance in the testdata find the assigned cluster 
    46          * 3. select only traindata from the clusters we found in our testdata 
    47          *  
    48          * @returns the selected training data 
    49          */ 
    50         @Override 
    51         public Instances apply(Instances testdata, Instances traindata) { 
    52                 //final Attribute classAttribute = testdata.classAttribute(); 
    53                  
    54                 final List<Integer> selectedCluster = SetUniqueList.setUniqueList(new LinkedList<Integer>()); 
     44    private String[] params; 
    5545 
    56                 // 1. copy train- and testdata 
    57                 Instances train = new Instances(traindata); 
    58                 Instances test = new Instances(testdata); 
    59                  
    60                 Instances selected = null; 
    61                  
    62                 try { 
    63                         // remove class attribute from traindata 
    64                         Remove filter = new Remove(); 
    65                         filter.setAttributeIndices("" + (train.classIndex() + 1)); 
    66                         filter.setInputFormat(train); 
    67                         train = Filter.useFilter(train, filter); 
    68                          
    69                         Console.traceln(Level.INFO, String.format("starting clustering")); 
    70                          
    71                         // 3. cluster data 
    72                         EM clusterer = new EM(); 
    73                         clusterer.setOptions(params); 
    74                         clusterer.buildClusterer(train); 
    75                         int numClusters = clusterer.getNumClusters(); 
    76                         if ( numClusters == -1) { 
    77                                 Console.traceln(Level.INFO, String.format("we have unlimited clusters")); 
    78                         }else { 
    79                                 Console.traceln(Level.INFO, String.format("we have: "+numClusters+" clusters")); 
    80                         } 
    81                          
    82                          
    83                         // 4. classify testdata, save cluster int 
    84                          
    85                         // remove class attribute from testdata? 
    86                         Remove filter2 = new Remove(); 
    87                         filter2.setAttributeIndices("" + (test.classIndex() + 1)); 
    88                         filter2.setInputFormat(test); 
    89                         test = Filter.useFilter(test, filter2); 
    90                          
    91                         int cnum; 
    92                         for( int i=0; i < test.numInstances(); i++ ) { 
    93                                 cnum = ((EM)clusterer).clusterInstance(test.get(i)); 
     46    @Override 
     47    public void setParameter(String parameters) { 
     48        params = parameters.split(" "); 
     49    } 
    9450 
    95                                 // we dont want doubles (maybe use a hashset instead of list?) 
    96                                 if ( !selectedCluster.contains(cnum) ) { 
    97                                         selectedCluster.add(cnum); 
    98                                         //Console.traceln(Level.INFO, String.format("assigned to cluster: "+cnum)); 
    99                                 } 
    100                         } 
    101                          
    102                         Console.traceln(Level.INFO, String.format("our testdata is in: "+selectedCluster.size()+" different clusters")); 
    103                          
    104                         // 5. get cluster membership of our traindata 
    105                         AddCluster cfilter = new AddCluster(); 
    106                         cfilter.setClusterer(clusterer); 
    107                         cfilter.setInputFormat(train); 
    108                         Instances ctrain = Filter.useFilter(train, cfilter); 
    109                          
    110                          
    111                         // 6. for all traindata get the cluster int, if it is in our list of testdata cluster int add the traindata 
    112                         // of this cluster to our returned traindata 
    113                         int cnumber; 
    114                         selected = new Instances(traindata); 
    115                         selected.delete(); 
    116                          
    117                         for ( int j=0; j < ctrain.numInstances(); j++ ) { 
    118                                 // get the cluster number from the attributes 
    119                                 cnumber = Integer.parseInt(ctrain.get(j).stringValue(ctrain.get(j).numAttributes()-1).replace("cluster", "")); 
    120                                  
    121                                 //Console.traceln(Level.INFO, String.format("instance "+j+" is in cluster: "+cnumber)); 
    122                                 if ( selectedCluster.contains(cnumber) ) { 
    123                                         // this only works if the index does not change 
    124                                         selected.add(traindata.get(j)); 
    125                                         // check for differences, just one attribute, we are pretty sure the index does not change 
    126                                         if ( traindata.get(j).value(3) != ctrain.get(j).value(3) ) { 
    127                                                 Console.traceln(Level.WARNING, String.format("we have a difference between train an ctrain!")); 
    128                                         } 
    129                                 } 
    130                         } 
    131                          
    132                         Console.traceln(Level.INFO, String.format("that leaves us with: "+selected.numInstances()+" traindata instances from "+traindata.numInstances())); 
    133                 }catch( Exception e ) { 
    134                         Console.traceln(Level.WARNING, String.format("ERROR")); 
    135                         throw new RuntimeException("error in pointwise em", e); 
    136                 } 
    137          
    138                 return selected; 
    139         } 
     51    /** 
     52     * 1. Cluster the traindata 2. for each instance in the testdata find the assigned cluster 3. 
     53     * select only traindata from the clusters we found in our testdata 
     54     *  
     55     * @returns the selected training data 
     56     */ 
     57    @Override 
     58    public Instances apply(Instances testdata, Instances traindata) { 
     59        // final Attribute classAttribute = testdata.classAttribute(); 
     60 
     61        final List<Integer> selectedCluster = 
     62            SetUniqueList.setUniqueList(new LinkedList<Integer>()); 
     63 
     64        // 1. copy train- and testdata 
     65        Instances train = new Instances(traindata); 
     66        Instances test = new Instances(testdata); 
     67 
     68        Instances selected = null; 
     69 
     70        try { 
     71            // remove class attribute from traindata 
     72            Remove filter = new Remove(); 
     73            filter.setAttributeIndices("" + (train.classIndex() + 1)); 
     74            filter.setInputFormat(train); 
     75            train = Filter.useFilter(train, filter); 
     76 
     77            Console.traceln(Level.INFO, String.format("starting clustering")); 
     78 
     79            // 3. cluster data 
     80            EM clusterer = new EM(); 
     81            clusterer.setOptions(params); 
     82            clusterer.buildClusterer(train); 
     83            int numClusters = clusterer.getNumClusters(); 
     84            if (numClusters == -1) { 
     85                Console.traceln(Level.INFO, String.format("we have unlimited clusters")); 
     86            } 
     87            else { 
     88                Console.traceln(Level.INFO, String.format("we have: " + numClusters + " clusters")); 
     89            } 
     90 
     91            // 4. classify testdata, save cluster int 
     92 
     93            // remove class attribute from testdata? 
     94            Remove filter2 = new Remove(); 
     95            filter2.setAttributeIndices("" + (test.classIndex() + 1)); 
     96            filter2.setInputFormat(test); 
     97            test = Filter.useFilter(test, filter2); 
     98 
     99            int cnum; 
     100            for (int i = 0; i < test.numInstances(); i++) { 
     101                cnum = ((EM) clusterer).clusterInstance(test.get(i)); 
     102 
     103                // we dont want doubles (maybe use a hashset instead of list?) 
     104                if (!selectedCluster.contains(cnum)) { 
     105                    selectedCluster.add(cnum); 
     106                    // Console.traceln(Level.INFO, String.format("assigned to cluster: "+cnum)); 
     107                } 
     108            } 
     109 
     110            Console.traceln(Level.INFO, 
     111                            String.format("our testdata is in: " + selectedCluster.size() + 
     112                                " different clusters")); 
     113 
     114            // 5. get cluster membership of our traindata 
     115            AddCluster cfilter = new AddCluster(); 
     116            cfilter.setClusterer(clusterer); 
     117            cfilter.setInputFormat(train); 
     118            Instances ctrain = Filter.useFilter(train, cfilter); 
     119 
     120            // 6. for all traindata get the cluster int, if it is in our list of testdata cluster 
     121            // int add the traindata 
     122            // of this cluster to our returned traindata 
     123            int cnumber; 
     124            selected = new Instances(traindata); 
     125            selected.delete(); 
     126 
     127            for (int j = 0; j < ctrain.numInstances(); j++) { 
     128                // get the cluster number from the attributes 
     129                cnumber = 
     130                    Integer.parseInt(ctrain.get(j).stringValue(ctrain.get(j).numAttributes() - 1) 
     131                        .replace("cluster", "")); 
     132 
     133                // Console.traceln(Level.INFO, 
     134                // String.format("instance "+j+" is in cluster: "+cnumber)); 
     135                if (selectedCluster.contains(cnumber)) { 
     136                    // this only works if the index does not change 
     137                    selected.add(traindata.get(j)); 
     138                    // check for differences, just one attribute, we are pretty sure the index does 
     139                    // not change 
     140                    if (traindata.get(j).value(3) != ctrain.get(j).value(3)) { 
     141                        Console.traceln(Level.WARNING, String 
     142                            .format("we have a difference between train an ctrain!")); 
     143                    } 
     144                } 
     145            } 
     146 
     147            Console.traceln(Level.INFO, 
     148                            String.format("that leaves us with: " + selected.numInstances() + 
     149                                " traindata instances from " + traindata.numInstances())); 
     150        } 
     151        catch (Exception e) { 
     152            Console.traceln(Level.WARNING, String.format("ERROR")); 
     153            throw new RuntimeException("error in pointwise em", e); 
     154        } 
     155 
     156        return selected; 
     157    } 
    140158 
    141159} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/SeparatabilitySelection.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    1327 
    1428/** 
    15  * A setwise data selection strategy based on the separatability of the training data from the test data after Z. He, F. Peters, T. Menzies, Y. Yang: Learning from Open-Source Projects: An Empirical Study on Defect Prediction. 
    16  * <br><br> 
    17  * This is calculated through the error of a logistic regression classifier that tries to separate the sets.  
     29 * A setwise data selection strategy based on the separatability of the training data from the test 
     30 * data after Z. He, F. Peters, T. Menzies, Y. Yang: Learning from Open-Source Projects: An 
     31 * Empirical Study on Defect Prediction. <br> 
     32 * <br> 
     33 * This is calculated through the error of a logistic regression classifier that tries to separate 
     34 * the sets. 
     35 *  
    1836 * @author Steffen Herbold 
    1937 */ 
    2038public class SeparatabilitySelection implements ISetWiseDataselectionStrategy { 
    2139 
    22         /** 
    23          * size of the random sample that is drawn from both test data and training data  
    24          */ 
    25         private final int sampleSize = 500; 
    26          
    27         /** 
    28          * number of repetitions of the sample drawing 
    29          */ 
    30         private final int maxRep = 10; 
    31          
    32         /** 
    33          * number of neighbors that are selected 
    34          */ 
    35         private int neighbors = 10; 
    36          
    37         /** 
    38          * Sets the number of neighbors that are selected. 
    39          */ 
    40         @Override 
    41         public void setParameter(String parameters) { 
    42                 if( !"".equals(parameters) ) { 
    43                         neighbors = Integer.parseInt(parameters); 
    44                 } 
    45         } 
     40    /** 
     41     * size of the random sample that is drawn from both test data and training data 
     42     */ 
     43    private final int sampleSize = 500; 
    4644 
    47         /** 
    48          * @see de.ugoe.cs.cpdp.dataselection.SetWiseDataselectionStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    49          */ 
    50         @Override 
    51         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    52                 final Random rand = new Random(1); 
    53                  
    54                 // calculate distances between testdata and traindata 
    55                 final double[] distances = new double[traindataSet.size()];  
    56                  
    57                 int i=0; 
    58                 for( Instances traindata : traindataSet ) { 
    59                         double distance = 0.0; 
    60                         for( int rep=0; rep<maxRep ; rep++ ) { 
    61                                 // sample instances 
    62                                 Instances sample = new Instances(testdata); 
    63                                 for( int j=0; j<sampleSize; j++ ) { 
    64                                         Instance inst = new DenseInstance(testdata.instance(rand.nextInt(testdata.numInstances()))); 
    65                                         inst.setDataset(sample); 
    66                                         inst.setClassValue(1.0); 
    67                                         sample.add(inst); 
    68                                         inst = new DenseInstance(traindata.instance(rand.nextInt(traindata.numInstances()))); 
    69                                         inst.setDataset(sample); 
    70                                         inst.setClassValue(0.0); 
    71                                         sample.add(inst); 
    72                                 } 
    73                                  
    74                                 // calculate separation 
    75                                 Evaluation eval; 
    76                                 try { 
    77                                         eval = new Evaluation(sample); 
    78                                         eval.crossValidateModel(new Logistic(), sample, 5, rand); 
    79                                 } catch (Exception e) { 
    80                                         throw new RuntimeException("cross-validation during calculation of separatability failed", e); 
    81                                 } 
    82                                 distance += eval.pctCorrect()/100.0; 
    83                         } 
    84                         distances[i++] = 2*((distance/maxRep)-0.5); 
    85                 } 
    86                  
    87                 // select closest neighbors 
    88                 final double[] distancesCopy = Arrays.copyOf(distances, distances.length); 
    89                 Arrays.sort(distancesCopy); 
    90                 final double cutoffDistance = distancesCopy[neighbors]; 
    91                  
    92                 for( i=traindataSet.size()-1; i>=0 ; i-- ) { 
    93                         if( distances[i]>cutoffDistance ) { 
    94                                 traindataSet.remove(i); 
    95                         } 
    96                 } 
    97         } 
     45    /** 
     46     * number of repetitions of the sample drawing 
     47     */ 
     48    private final int maxRep = 10; 
     49 
     50    /** 
     51     * number of neighbors that are selected 
     52     */ 
     53    private int neighbors = 10; 
     54 
     55    /** 
     56     * Sets the number of neighbors that are selected. 
     57     */ 
     58    @Override 
     59    public void setParameter(String parameters) { 
     60        if (!"".equals(parameters)) { 
     61            neighbors = Integer.parseInt(parameters); 
     62        } 
     63    } 
     64 
     65    /** 
     66     * @see de.ugoe.cs.cpdp.dataselection.SetWiseDataselectionStrategy#apply(weka.core.Instances, 
     67     *      org.apache.commons.collections4.list.SetUniqueList) 
     68     */ 
     69    @Override 
     70    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     71        final Random rand = new Random(1); 
     72 
     73        // calculate distances between testdata and traindata 
     74        final double[] distances = new double[traindataSet.size()]; 
     75 
     76        int i = 0; 
     77        for (Instances traindata : traindataSet) { 
     78            double distance = 0.0; 
     79            for (int rep = 0; rep < maxRep; rep++) { 
     80                // sample instances 
     81                Instances sample = new Instances(testdata); 
     82                for (int j = 0; j < sampleSize; j++) { 
     83                    Instance inst = 
     84                        new DenseInstance(testdata.instance(rand.nextInt(testdata.numInstances()))); 
     85                    inst.setDataset(sample); 
     86                    inst.setClassValue(1.0); 
     87                    sample.add(inst); 
     88                    inst = 
     89                        new DenseInstance( 
     90                                          traindata.instance(rand.nextInt(traindata.numInstances()))); 
     91                    inst.setDataset(sample); 
     92                    inst.setClassValue(0.0); 
     93                    sample.add(inst); 
     94                } 
     95 
     96                // calculate separation 
     97                Evaluation eval; 
     98                try { 
     99                    eval = new Evaluation(sample); 
     100                    eval.crossValidateModel(new Logistic(), sample, 5, rand); 
     101                } 
     102                catch (Exception e) { 
     103                    throw new RuntimeException( 
     104                                               "cross-validation during calculation of separatability failed", 
     105                                               e); 
     106                } 
     107                distance += eval.pctCorrect() / 100.0; 
     108            } 
     109            distances[i++] = 2 * ((distance / maxRep) - 0.5); 
     110        } 
     111 
     112        // select closest neighbors 
     113        final double[] distancesCopy = Arrays.copyOf(distances, distances.length); 
     114        Arrays.sort(distancesCopy); 
     115        final double cutoffDistance = distancesCopy[neighbors]; 
     116 
     117        for (i = traindataSet.size() - 1; i >= 0; i--) { 
     118            if (distances[i] > cutoffDistance) { 
     119                traindataSet.remove(i); 
     120            } 
     121        } 
     122    } 
    98123} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/SetWiseEMClusterSelection.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    1125 
    1226/** 
    13  * Filter based on EM clustering after S. Herbold: Training data selection for cross-project defect prediction 
     27 * Filter based on EM clustering after S. Herbold: Training data selection for cross-project defect 
     28 * prediction 
     29 *  
    1430 * @author Steffen Herbold 
    1531 */ 
    1632public class SetWiseEMClusterSelection extends AbstractCharacteristicSelection { 
    17          
    18         /** 
    19          * @see de.ugoe.cs.cpdp.dataselection.SetWiseDataselectionStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    20          */ 
    21         @Override 
    22         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    23                 final Instances data = normalizedCharacteristicInstances(testdata, traindataSet);  
    24                 final Instance targetInstance = data.instance(0); 
    25                 final List<Instance> candidateInstances = new LinkedList<Instance>(); 
    26                 for( int i=1; i<data.numInstances(); i++ ) { 
    27                         candidateInstances.add(data.instance(i)); 
    28                 } 
    29                  
    30                 // cluster and select 
    31                 try { 
    32                         final EM emeans = new EM(); 
    33                         boolean onlyTarget = true; 
    34                         int targetCluster; 
    35                         int maxNumClusters = candidateInstances.size(); 
    36                         do { // while(onlyTarget) 
    37                                 emeans.setMaximumNumberOfClusters(maxNumClusters); 
    38                                 emeans.buildClusterer(data); 
    39                                                          
    40                                 targetCluster = emeans.clusterInstance(targetInstance); 
    41                                  
    42                                 // check if cluster only contains target project 
    43                                 for( int i=0 ; i<candidateInstances.size() && onlyTarget; i++ ) { 
    44                                         onlyTarget &= !(emeans.clusterInstance(candidateInstances.get(i))==targetCluster); 
    45                                 } 
    46                                 maxNumClusters = emeans.numberOfClusters()-1; 
    47                         } while(onlyTarget); 
    48                          
    49                         int numRemoved = 0; 
    50                         for( int i=0 ; i<candidateInstances.size() ; i++ ) { 
    51                                 if( emeans.clusterInstance(candidateInstances.get(i))!=targetCluster ) { 
    52                                         traindataSet.remove(i-numRemoved++); 
    53                                 } 
    54                         } 
    55                 } catch(Exception e) { 
    56                         throw new RuntimeException("error applying setwise EM clustering training data selection", e); 
    57                 } 
    58         }        
     33 
     34    /** 
     35     * @see de.ugoe.cs.cpdp.dataselection.SetWiseDataselectionStrategy#apply(weka.core.Instances, 
     36     *      org.apache.commons.collections4.list.SetUniqueList) 
     37     */ 
     38    @Override 
     39    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     40        final Instances data = normalizedCharacteristicInstances(testdata, traindataSet); 
     41        final Instance targetInstance = data.instance(0); 
     42        final List<Instance> candidateInstances = new LinkedList<Instance>(); 
     43        for (int i = 1; i < data.numInstances(); i++) { 
     44            candidateInstances.add(data.instance(i)); 
     45        } 
     46 
     47        // cluster and select 
     48        try { 
     49            final EM emeans = new EM(); 
     50            boolean onlyTarget = true; 
     51            int targetCluster; 
     52            int maxNumClusters = candidateInstances.size(); 
     53            do { // while(onlyTarget) 
     54                emeans.setMaximumNumberOfClusters(maxNumClusters); 
     55                emeans.buildClusterer(data); 
     56 
     57                targetCluster = emeans.clusterInstance(targetInstance); 
     58 
     59                // check if cluster only contains target project 
     60                for (int i = 0; i < candidateInstances.size() && onlyTarget; i++) { 
     61                    onlyTarget &= 
     62                        !(emeans.clusterInstance(candidateInstances.get(i)) == targetCluster); 
     63                } 
     64                maxNumClusters = emeans.numberOfClusters() - 1; 
     65            } 
     66            while (onlyTarget); 
     67 
     68            int numRemoved = 0; 
     69            for (int i = 0; i < candidateInstances.size(); i++) { 
     70                if (emeans.clusterInstance(candidateInstances.get(i)) != targetCluster) { 
     71                    traindataSet.remove(i - numRemoved++); 
     72                } 
     73            } 
     74        } 
     75        catch (Exception e) { 
     76            throw new RuntimeException( 
     77                                       "error applying setwise EM clustering training data selection", 
     78                                       e); 
     79        } 
     80    } 
    5981} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/SetWiseEMContextSelection.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    2236 * Selects training data by clustering project context factors. 
    2337 *  
    24  * The project context factors used for the clustering are configured in  
    25  * the XML param attribute, Example: 
    26  * <setwiseselector name="SetWiseEMContextSelection" param="AFS TND TNC" /> 
     38 * The project context factors used for the clustering are configured in the XML param attribute, 
     39 * Example: <setwiseselector name="SetWiseEMContextSelection" param="AFS TND TNC" /> 
    2740 */ 
    2841public class SetWiseEMContextSelection implements ISetWiseDataselectionStrategy { 
    29          
    30         private String[] project_context_factors; // = new String[]{"TND", "TNC", "TNF", "TLOC"}; 
    31          
    32         @Override 
    33         public void setParameter(String parameters) { 
    34                 if( parameters!=null ) { 
    35                         project_context_factors = parameters.split(" "); 
    36                 } 
    37         } 
    38          
    39         /** 
    40          * Uses the Weka EM-Clustering algorithm to cluster the projects 
    41          * by their project context factors.  
    42          * The project context factors are first normalized and then used for clustering. 
    43          * They can be configured in the configuration param. 
    44          *   
    45          * @param testdata 
    46          * @param traindataSet 
    47          */ 
    48         protected void cluster(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    49                 // now do the clustering, normalizedCharacteristicInstances ruft getContextFactors auf 
    50                 final Instances data = this.normalizedCharacteristicInstances(testdata, traindataSet);  
    51                  
    52                 final Instance targetInstance = data.instance(0); 
    53                 final List<Instance> candidateInstances = new LinkedList<Instance>(); 
    54                 for( int i=1; i<data.numInstances(); i++ ) { 
    55                         candidateInstances.add(data.instance(i)); 
    56                 } 
    57                  
    58                 // cluster and select 
    59                 try { 
    60                         final EM emeans = new EM(); 
    61                         boolean onlyTarget = true; 
    62                         int targetCluster; 
    63                         int maxNumClusters = candidateInstances.size(); 
    64                          
    65                         do { // while(onlyTarget) 
    66                                 emeans.setMaximumNumberOfClusters(maxNumClusters); 
    67                                 emeans.buildClusterer(data); 
    68                                                          
    69                                 targetCluster = emeans.clusterInstance(targetInstance); 
    70                                  
    71                                 // check if cluster only contains target project 
    72                                 for( int i=0 ; i<candidateInstances.size() && onlyTarget; i++ ) { 
    73                                         onlyTarget &= !(emeans.clusterInstance(candidateInstances.get(i))==targetCluster); 
    74                                 } 
    75                                 maxNumClusters = emeans.numberOfClusters()-1; 
    76                                  
    77                                 //Console.traceln(Level.INFO, "number of clusters: " + emeans.numberOfClusters()); 
    78                         } while(onlyTarget); 
    79                          
    80                         Console.traceln(Level.INFO, "clusters: " + maxNumClusters); 
    81                         Console.traceln(Level.INFO, "instances vor dem clustern: " + traindataSet.size()); 
    82                         int numRemoved = 0; 
    83                         for( int i=0 ; i<candidateInstances.size() ; i++ ) { 
    84                                 if( emeans.clusterInstance(candidateInstances.get(i))!=targetCluster ) { 
    85                                         traindataSet.remove(i-numRemoved++); 
    86                                 } 
    87                         } 
    88                         Console.traceln(Level.INFO, "instances nach dem clustern: " + traindataSet.size()); 
    89                 } catch(Exception e) { 
    90                         throw new RuntimeException("error applying setwise EM clustering training data selection", e); 
    91                 } 
    92         } 
    93  
    94         @Override 
    95         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    96                 // issuetracking und pl muss passen 
    97                 /* 
    98                 int s = traindataSet.size(); 
    99                 Console.traceln(Level.INFO, "remove non matching PL and IssueTracking projects, size now: " + s); 
    100                 this.removeWrongContext(testdata, traindataSet, "PL"); 
    101                 this.removeWrongContext(testdata, traindataSet, "IssueTracking"); 
    102                 s = traindataSet.size(); 
    103                 Console.traceln(Level.INFO, "size after removal: " + s); 
    104                 */ 
    105                 // now cluster 
    106                 this.cluster(testdata, traindataSet); 
    107         } 
    108  
    109         /** 
    110          * Returns test- and training data with only the project context factors 
    111          * which were chosen in the configuration. 
    112          * This is later used for clustering. 
    113          *  
    114          * @param testdata 
    115          * @param traindataSet 
    116          * @return 
    117          */ 
    118         protected Instances getContextFactors(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    119                 // setup weka Instances for clustering 
    120                 final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
    121                  
    122                 // we only want the project context factors 
    123                 for( String pcf : this.project_context_factors ) { 
    124                         atts.add(new Attribute(pcf)); 
    125                 } 
    126                  
    127                 // set up the data 
    128                 final Instances data = new Instances("project_context_factors", atts, 0); 
    129                 double[] instanceValues = new double[atts.size()]; 
    130                  
    131                 // only project context factors + only one instance per project needed  
    132                 int i = 0; 
    133                 for( String pcf : this.project_context_factors ) { 
    134                         instanceValues[i] = testdata.instance(0).value(testdata.attribute(pcf)); 
    135                         //Console.traceln(Level.INFO, "adding attribute: " + pcf + " value: " + instanceValues[i]); 
    136                         i++; 
    137                 } 
    138                 data.add(new DenseInstance(1.0, instanceValues)); 
    139                  
    140                 // now for the projects of the training stet 
    141                 for( Instances traindata : traindataSet ) { 
    142                         instanceValues = new double[atts.size()];  // ohne das hier immer dieselben werte?! 
    143                         i = 0; 
    144                         for( String pcf : this.project_context_factors ) { 
    145                                 instanceValues[i] = traindata.instance(0).value(traindata.attribute(pcf)); 
    146                                 //Console.traceln(Level.INFO, "adding attribute: " + pcf + " value: " + instanceValues[i]); 
    147                                 i++; 
    148                         } 
    149  
    150                         data.add(new DenseInstance(1.0, instanceValues)); 
    151                 } 
    152  
    153                 return data; 
    154         } 
    155  
    156         /** 
    157          * Delete projects where the project context does not match the training project 
    158          *  
    159          * @param testdata 
    160          * @param traindataSet 
    161          * @param attribute 
    162          */ 
    163         protected void removeWrongContext(Instances testdata, SetUniqueList<Instances> traindataSet, String attribute) { 
    164                 Set<Instances> remove = new HashSet<Instances>();        
    165                 for( Instances traindata : traindataSet ) { 
    166                         if( traindata.firstInstance().value(traindata.attribute(attribute)) != testdata.firstInstance().value(testdata.attribute(attribute)) ) { 
    167                                 remove.add(traindata); 
    168                                 //Console.traceln(Level.WARNING, "rmove attribute "+attribute+" test: "+testdata.firstInstance().value(testdata.attribute(attribute))+" train: "+traindata.firstInstance().value(traindata.attribute(attribute))); 
    169                         } 
    170                 } 
    171                  
    172                 // now delete the projects from set 
    173                 for( Instances i : remove ) { 
    174                         traindataSet.remove(i); 
    175                         //Console.traceln(Level.INFO, "removing training project from set"); 
    176                 } 
    177         } 
    178  
    179         /** 
    180          * Normalizes the data before it gets used for clustering 
    181          *  
    182          * @param testdata 
    183          * @param traindataSet 
    184          * @return 
    185          */ 
    186         protected Instances normalizedCharacteristicInstances(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    187                 Instances data = this.getContextFactors(testdata, traindataSet); 
    188                 try { 
    189                         final Normalize normalizer = new Normalize(); 
    190                         normalizer.setInputFormat(data); 
    191                         data = Filter.useFilter(data, normalizer); 
    192                 } catch (Exception e) { 
    193                         throw new RuntimeException("Unexpected exception during normalization of distributional characteristics.", e); 
    194                 } 
    195                 return data; 
    196         } 
     42 
     43    private String[] project_context_factors; // = new String[]{"TND", "TNC", "TNF", "TLOC"}; 
     44 
     45    @Override 
     46    public void setParameter(String parameters) { 
     47        if (parameters != null) { 
     48            project_context_factors = parameters.split(" "); 
     49        } 
     50    } 
     51 
     52    /** 
     53     * Uses the Weka EM-Clustering algorithm to cluster the projects by their project context 
     54     * factors. The project context factors are first normalized and then used for clustering. They 
     55     * can be configured in the configuration param. 
     56     *  
     57     * @param testdata 
     58     * @param traindataSet 
     59     */ 
     60    protected void cluster(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     61        // now do the clustering, normalizedCharacteristicInstances ruft getContextFactors auf 
     62        final Instances data = this.normalizedCharacteristicInstances(testdata, traindataSet); 
     63 
     64        final Instance targetInstance = data.instance(0); 
     65        final List<Instance> candidateInstances = new LinkedList<Instance>(); 
     66        for (int i = 1; i < data.numInstances(); i++) { 
     67            candidateInstances.add(data.instance(i)); 
     68        } 
     69 
     70        // cluster and select 
     71        try { 
     72            final EM emeans = new EM(); 
     73            boolean onlyTarget = true; 
     74            int targetCluster; 
     75            int maxNumClusters = candidateInstances.size(); 
     76 
     77            do { // while(onlyTarget) 
     78                emeans.setMaximumNumberOfClusters(maxNumClusters); 
     79                emeans.buildClusterer(data); 
     80 
     81                targetCluster = emeans.clusterInstance(targetInstance); 
     82 
     83                // check if cluster only contains target project 
     84                for (int i = 0; i < candidateInstances.size() && onlyTarget; i++) { 
     85                    onlyTarget &= 
     86                        !(emeans.clusterInstance(candidateInstances.get(i)) == targetCluster); 
     87                } 
     88                maxNumClusters = emeans.numberOfClusters() - 1; 
     89 
     90                // Console.traceln(Level.INFO, "number of clusters: " + emeans.numberOfClusters()); 
     91            } 
     92            while (onlyTarget); 
     93 
     94            Console.traceln(Level.INFO, "clusters: " + maxNumClusters); 
     95            Console.traceln(Level.INFO, "instances vor dem clustern: " + traindataSet.size()); 
     96            int numRemoved = 0; 
     97            for (int i = 0; i < candidateInstances.size(); i++) { 
     98                if (emeans.clusterInstance(candidateInstances.get(i)) != targetCluster) { 
     99                    traindataSet.remove(i - numRemoved++); 
     100                } 
     101            } 
     102            Console.traceln(Level.INFO, "instances nach dem clustern: " + traindataSet.size()); 
     103        } 
     104        catch (Exception e) { 
     105            throw new RuntimeException( 
     106                                       "error applying setwise EM clustering training data selection", 
     107                                       e); 
     108        } 
     109    } 
     110 
     111    @Override 
     112    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     113        // issuetracking und pl muss passen 
     114        /* 
     115         * int s = traindataSet.size(); Console.traceln(Level.INFO, 
     116         * "remove non matching PL and IssueTracking projects, size now: " + s); 
     117         * this.removeWrongContext(testdata, traindataSet, "PL"); this.removeWrongContext(testdata, 
     118         * traindataSet, "IssueTracking"); s = traindataSet.size(); Console.traceln(Level.INFO, 
     119         * "size after removal: " + s); 
     120         */ 
     121        // now cluster 
     122        this.cluster(testdata, traindataSet); 
     123    } 
     124 
     125    /** 
     126     * Returns test- and training data with only the project context factors which were chosen in 
     127     * the configuration. This is later used for clustering. 
     128     *  
     129     * @param testdata 
     130     * @param traindataSet 
     131     * @return 
     132     */ 
     133    protected Instances getContextFactors(Instances testdata, SetUniqueList<Instances> traindataSet) 
     134    { 
     135        // setup weka Instances for clustering 
     136        final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
     137 
     138        // we only want the project context factors 
     139        for (String pcf : this.project_context_factors) { 
     140            atts.add(new Attribute(pcf)); 
     141        } 
     142 
     143        // set up the data 
     144        final Instances data = new Instances("project_context_factors", atts, 0); 
     145        double[] instanceValues = new double[atts.size()]; 
     146 
     147        // only project context factors + only one instance per project needed 
     148        int i = 0; 
     149        for (String pcf : this.project_context_factors) { 
     150            instanceValues[i] = testdata.instance(0).value(testdata.attribute(pcf)); 
     151            // Console.traceln(Level.INFO, "adding attribute: " + pcf + " value: " + 
     152            // instanceValues[i]); 
     153            i++; 
     154        } 
     155        data.add(new DenseInstance(1.0, instanceValues)); 
     156 
     157        // now for the projects of the training stet 
     158        for (Instances traindata : traindataSet) { 
     159            instanceValues = new double[atts.size()]; // ohne das hier immer dieselben werte?! 
     160            i = 0; 
     161            for (String pcf : this.project_context_factors) { 
     162                instanceValues[i] = traindata.instance(0).value(traindata.attribute(pcf)); 
     163                // Console.traceln(Level.INFO, "adding attribute: " + pcf + " value: " + 
     164                // instanceValues[i]); 
     165                i++; 
     166            } 
     167 
     168            data.add(new DenseInstance(1.0, instanceValues)); 
     169        } 
     170 
     171        return data; 
     172    } 
     173 
     174    /** 
     175     * Delete projects where the project context does not match the training project 
     176     *  
     177     * @param testdata 
     178     * @param traindataSet 
     179     * @param attribute 
     180     */ 
     181    protected void removeWrongContext(Instances testdata, 
     182                                      SetUniqueList<Instances> traindataSet, 
     183                                      String attribute) 
     184    { 
     185        Set<Instances> remove = new HashSet<Instances>(); 
     186        for (Instances traindata : traindataSet) { 
     187            if (traindata.firstInstance().value(traindata.attribute(attribute)) != testdata 
     188                .firstInstance().value(testdata.attribute(attribute))) 
     189            { 
     190                remove.add(traindata); 
     191                // Console.traceln(Level.WARNING, 
     192                // "rmove attribute "+attribute+" test: "+testdata.firstInstance().value(testdata.attribute(attribute))+" train: "+traindata.firstInstance().value(traindata.attribute(attribute))); 
     193            } 
     194        } 
     195 
     196        // now delete the projects from set 
     197        for (Instances i : remove) { 
     198            traindataSet.remove(i); 
     199            // Console.traceln(Level.INFO, "removing training project from set"); 
     200        } 
     201    } 
     202 
     203    /** 
     204     * Normalizes the data before it gets used for clustering 
     205     *  
     206     * @param testdata 
     207     * @param traindataSet 
     208     * @return 
     209     */ 
     210    protected Instances normalizedCharacteristicInstances(Instances testdata, 
     211                                                          SetUniqueList<Instances> traindataSet) 
     212    { 
     213        Instances data = this.getContextFactors(testdata, traindataSet); 
     214        try { 
     215            final Normalize normalizer = new Normalize(); 
     216            normalizer.setInputFormat(data); 
     217            data = Filter.useFilter(data, normalizer); 
     218        } 
     219        catch (Exception e) { 
     220            throw new RuntimeException( 
     221                                       "Unexpected exception during normalization of distributional characteristics.", 
     222                                       e); 
     223        } 
     224        return data; 
     225    } 
    197226} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/SetWiseKNNSelection.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    1024 
    1125/** 
    12  * Filter based on the k-nearest neighbor (KNN) algorithm S. Herbold: Training data selection for cross-project defect prediction 
     26 * Filter based on the k-nearest neighbor (KNN) algorithm S. Herbold: Training data selection for 
     27 * cross-project defect prediction 
     28 *  
    1329 * @author Steffen Herbold 
    1430 */ 
    1531public class SetWiseKNNSelection extends AbstractCharacteristicSelection { 
    16          
    17         /** 
    18          * number of neighbors selected 
    19          */ 
    20         private int k = 1; 
    21          
    22         /** 
    23          * @see de.ugoe.cs.cpdp.dataselection.SetWiseDataselectionStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    24          */ 
    25         @Override 
    26         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    27                 final Instances data = normalizedCharacteristicInstances(testdata, traindataSet); 
    28                  
    29                 final Set<Integer> selected = new HashSet<Integer>();            
    30                 for( int i=0 ; i<k ; i++ ) { 
    31                         int closestIndex = getClosest(data); 
    32                          
    33                         selected.add(closestIndex); 
    34                         data.delete(closestIndex); 
    35                 } 
    36                  
    37                 for( int i=traindataSet.size()-1; i>=0 ; i-- ) { 
    38                         if( selected.contains(i) ) { 
    39                                 traindataSet.remove(i); 
    40                         } 
    41                 } 
    42         } 
    43          
    44         /** 
    45          * Helper method that determines the index of the instance with the smallest distance to the first instance (index 0). 
    46          * @param data data set 
    47          * @return index of the closest instance 
    48          */ 
    49         private int getClosest(Instances data) { 
    50                 double closestDistance = Double.MAX_VALUE; 
    51                 int closestIndex = 1; 
    52                 for( int i=1 ; i<data.numInstances() ; i++ ) { 
    53                         double distance = MathArrays.distance(data.instance(0).toDoubleArray(), data.instance(i).toDoubleArray()); 
    54                         if( distance < closestDistance) { 
    55                                 closestDistance = distance; 
    56                                 closestIndex = i; 
    57                         } 
    58                 } 
    59                 return closestIndex; 
    60         } 
    6132 
    62         /** 
    63          * Sets the number of neighbors followed by the distributional characteristics, the values are separated by blanks. 
    64          * @see AbstractCharacteristicSelection#setParameter(String)  
    65          */ 
    66         @Override 
    67         public void setParameter(String parameters) { 
    68                 if( !"".equals(parameters) ) { 
    69                         final String[] split = parameters.split(" "); 
    70                         k = Integer.parseInt(split[0]); 
    71                         String str = ""; 
    72                         for( int i=1 ; i<split.length; i++ ) { 
    73                                 str += split[i]; 
    74                                 if( i<split.length-1 )  { 
    75                                         str += " "; 
    76                                 } 
    77                         } 
    78                         super.setParameter(str); 
    79                 } 
    80         } 
     33    /** 
     34     * number of neighbors selected 
     35     */ 
     36    private int k = 1; 
     37 
     38    /** 
     39     * @see de.ugoe.cs.cpdp.dataselection.SetWiseDataselectionStrategy#apply(weka.core.Instances, 
     40     *      org.apache.commons.collections4.list.SetUniqueList) 
     41     */ 
     42    @Override 
     43    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     44        final Instances data = normalizedCharacteristicInstances(testdata, traindataSet); 
     45 
     46        final Set<Integer> selected = new HashSet<Integer>(); 
     47        for (int i = 0; i < k; i++) { 
     48            int closestIndex = getClosest(data); 
     49 
     50            selected.add(closestIndex); 
     51            data.delete(closestIndex); 
     52        } 
     53 
     54        for (int i = traindataSet.size() - 1; i >= 0; i--) { 
     55            if (selected.contains(i)) { 
     56                traindataSet.remove(i); 
     57            } 
     58        } 
     59    } 
     60 
     61    /** 
     62     * Helper method that determines the index of the instance with the smallest distance to the 
     63     * first instance (index 0). 
     64     *  
     65     * @param data 
     66     *            data set 
     67     * @return index of the closest instance 
     68     */ 
     69    private int getClosest(Instances data) { 
     70        double closestDistance = Double.MAX_VALUE; 
     71        int closestIndex = 1; 
     72        for (int i = 1; i < data.numInstances(); i++) { 
     73            double distance = 
     74                MathArrays.distance(data.instance(0).toDoubleArray(), data.instance(i) 
     75                    .toDoubleArray()); 
     76            if (distance < closestDistance) { 
     77                closestDistance = distance; 
     78                closestIndex = i; 
     79            } 
     80        } 
     81        return closestIndex; 
     82    } 
     83 
     84    /** 
     85     * Sets the number of neighbors followed by the distributional characteristics, the values are 
     86     * separated by blanks. 
     87     *  
     88     * @see AbstractCharacteristicSelection#setParameter(String) 
     89     */ 
     90    @Override 
     91    public void setParameter(String parameters) { 
     92        if (!"".equals(parameters)) { 
     93            final String[] split = parameters.split(" "); 
     94            k = Integer.parseInt(split[0]); 
     95            String str = ""; 
     96            for (int i = 1; i < split.length; i++) { 
     97                str += split[i]; 
     98                if (i < split.length - 1) { 
     99                    str += " "; 
     100                } 
     101            } 
     102            super.setParameter(str); 
     103        } 
     104    } 
    81105} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/TestAsTraining.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    721/** 
    822 * Uses the test data as training data. 
     23 *  
    924 * @author Steffen Herbold 
    10  * 
     25 *  
    1126 */ 
    1227public class TestAsTraining implements ISetWiseDataselectionStrategy { 
    1328 
    14         /** 
    15         * no parameters 
    16         */ 
    17         @Override 
    18         public void setParameter(String parameters) { 
    19                 // dummy 
    20         } 
     29    /** 
     30    * no parameters 
     31    */ 
     32    @Override 
     33    public void setParameter(String parameters) { 
     34        // dummy 
     35    } 
    2136 
    22         /**(non-Javadoc) 
    23          * @see de.ugoe.cs.cpdp.dataselection.ISetWiseDataselectionStrategy#apply(weka.core.Instances, org.apache.commons.collections4.list.SetUniqueList) 
    24          */ 
    25         @Override 
    26         public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
    27                 traindataSet.clear(); 
    28                 traindataSet.add(new Instances(testdata)); 
    29         } 
     37    /** 
     38     * (non-Javadoc) 
     39     *  
     40     * @see de.ugoe.cs.cpdp.dataselection.ISetWiseDataselectionStrategy#apply(weka.core.Instances, 
     41     *      org.apache.commons.collections4.list.SetUniqueList) 
     42     */ 
     43    @Override 
     44    public void apply(Instances testdata, SetUniqueList<Instances> traindataSet) { 
     45        traindataSet.clear(); 
     46        traindataSet.add(new Instances(testdata)); 
     47    } 
    3048 
    3149} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/dataselection/TurhanFilter.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.dataselection; 
    216 
     
    1327 
    1428/** 
    15  * Filter according to B. Turhan, T. Menzies, A. Bener, and J. Die Stefano: On the relative value of cross-company and within company defect prediction 
     29 * Filter according to B. Turhan, T. Menzies, A. Bener, and J. Die Stefano: On the relative value of 
     30 * cross-company and within company defect prediction 
     31 *  
    1632 * @author Steffen Herbold 
    1733 */ 
    1834public class TurhanFilter implements IPointWiseDataselectionStrategy { 
    1935 
    20         /** 
    21          * number of neighbors that are selected 
    22          */ 
    23         private int k = 10; 
    24          
    25         /** 
    26          * Sets the number of neighbors. 
    27          * @param parameters number of neighbors 
    28          */ 
    29         @Override 
    30         public void setParameter(String parameters) { 
    31                 k = Integer.parseInt(parameters); 
    32         } 
     36    /** 
     37     * number of neighbors that are selected 
     38     */ 
     39    private int k = 10; 
    3340 
    34         /** 
    35          * @see de.ugoe.cs.cpdp.dataselection.PointWiseDataselectionStrategy#apply(weka.core.Instances, weka.core.Instances) 
    36          */ 
    37         @Override 
    38         public Instances apply(Instances testdata, Instances traindata) { 
    39                 final Attribute classAttribute = testdata.classAttribute(); 
    40                  
    41                 final List<Integer> selectedIndex = SetUniqueList.setUniqueList(new LinkedList<Integer>()); 
    42                  
    43                 final double[][] trainDoubles = new double[traindata.numInstances()][testdata.numAttributes()]; 
    44                  
    45                 for( int i=0; i<traindata.numInstances() ; i++ ) { 
    46                         Instance instance = traindata.instance(i); 
    47                         int tmp = 0; 
    48                         for( int j=0 ; j<testdata.numAttributes(); j++ ) { 
    49                                 if( testdata.attribute(j)!=classAttribute ) { 
    50                                         trainDoubles[i][tmp++] = instance.value(j); 
    51                                 } 
    52                         } 
    53                 } 
    54                  
    55                 for( int i=0; i<testdata.numInstances() ; i++ ) { 
    56                         Instance testIntance = testdata.instance(i); 
    57                         double[] targetVector = new double[testdata.numAttributes()-1]; 
    58                         int tmp = 0; 
    59                         for( int j=0 ; j<testdata.numAttributes(); j++ ) { 
    60                                 if( testdata.attribute(j)!=classAttribute ) { 
    61                                         targetVector[tmp++] = testIntance.value(j); 
    62                                 } 
    63                         } 
    64                          
    65                         double farthestClosestDistance = Double.MAX_VALUE; 
    66                         int farthestClosestIndex = 0; 
    67                         double[] closestDistances = new double[k]; 
    68                         for( int m=0 ; m<closestDistances.length ; m++ ) { 
    69                                 closestDistances[m] = Double.MAX_VALUE; 
    70                         } 
    71                         int[] closestIndex = new int[k]; 
    72                          
    73                         for( int n=0; n<traindata.numInstances() ; n++ ) { 
    74                                 double distance = MathArrays.distance(targetVector, trainDoubles[n]); 
    75                                  
    76                                 if( distance<farthestClosestDistance ) { 
    77                                         closestIndex[farthestClosestIndex] = n; 
    78                                         closestDistances[farthestClosestIndex] = distance; 
    79                                          
    80                                         farthestClosestIndex = ArrayTools.findMax(closestDistances); 
    81                                         farthestClosestDistance = closestDistances[farthestClosestIndex]; 
    82                                 } 
    83                         } 
    84                         for( int index : closestIndex ) { 
    85                                 selectedIndex.add(index); 
    86                         } 
    87                 } 
    88                  
    89                 final Instances selected = new Instances(testdata); 
    90                 selected.delete(); 
    91                 for( Integer i : selectedIndex) { 
    92                         selected.add(traindata.instance(i)); 
    93                 } 
    94                 return selected; 
    95         } 
     41    /** 
     42     * Sets the number of neighbors. 
     43     *  
     44     * @param parameters 
     45     *            number of neighbors 
     46     */ 
     47    @Override 
     48    public void setParameter(String parameters) { 
     49        k = Integer.parseInt(parameters); 
     50    } 
     51 
     52    /** 
     53     * @see de.ugoe.cs.cpdp.dataselection.PointWiseDataselectionStrategy#apply(weka.core.Instances, 
     54     *      weka.core.Instances) 
     55     */ 
     56    @Override 
     57    public Instances apply(Instances testdata, Instances traindata) { 
     58        final Attribute classAttribute = testdata.classAttribute(); 
     59 
     60        final List<Integer> selectedIndex = SetUniqueList.setUniqueList(new LinkedList<Integer>()); 
     61 
     62        final double[][] trainDoubles = 
     63            new double[traindata.numInstances()][testdata.numAttributes()]; 
     64 
     65        for (int i = 0; i < traindata.numInstances(); i++) { 
     66            Instance instance = traindata.instance(i); 
     67            int tmp = 0; 
     68            for (int j = 0; j < testdata.numAttributes(); j++) { 
     69                if (testdata.attribute(j) != classAttribute) { 
     70                    trainDoubles[i][tmp++] = instance.value(j); 
     71                } 
     72            } 
     73        } 
     74 
     75        for (int i = 0; i < testdata.numInstances(); i++) { 
     76            Instance testIntance = testdata.instance(i); 
     77            double[] targetVector = new double[testdata.numAttributes() - 1]; 
     78            int tmp = 0; 
     79            for (int j = 0; j < testdata.numAttributes(); j++) { 
     80                if (testdata.attribute(j) != classAttribute) { 
     81                    targetVector[tmp++] = testIntance.value(j); 
     82                } 
     83            } 
     84 
     85            double farthestClosestDistance = Double.MAX_VALUE; 
     86            int farthestClosestIndex = 0; 
     87            double[] closestDistances = new double[k]; 
     88            for (int m = 0; m < closestDistances.length; m++) { 
     89                closestDistances[m] = Double.MAX_VALUE; 
     90            } 
     91            int[] closestIndex = new int[k]; 
     92 
     93            for (int n = 0; n < traindata.numInstances(); n++) { 
     94                double distance = MathArrays.distance(targetVector, trainDoubles[n]); 
     95 
     96                if (distance < farthestClosestDistance) { 
     97                    closestIndex[farthestClosestIndex] = n; 
     98                    closestDistances[farthestClosestIndex] = distance; 
     99 
     100                    farthestClosestIndex = ArrayTools.findMax(closestDistances); 
     101                    farthestClosestDistance = closestDistances[farthestClosestIndex]; 
     102                } 
     103            } 
     104            for (int index : closestIndex) { 
     105                selectedIndex.add(index); 
     106            } 
     107        } 
     108 
     109        final Instances selected = new Instances(testdata); 
     110        selected.delete(); 
     111        for (Integer i : selectedIndex) { 
     112            selected.add(traindata.instance(i)); 
     113        } 
     114        return selected; 
     115    } 
    96116 
    97117} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/decentApp/ARFFxResourceTool.java

    r36 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.decentApp; 
    216 
     
    1125 *  
    1226 * @author Philip Makedonski, Fabian Trautsch 
    13  * 
     27 *  
    1428 */ 
    1529public class ARFFxResourceTool extends ResourceTool { 
    16          
    17         /** 
    18          * Initializes the Tool Factory, from which the models can be loaded and 
    19          * inizializes the validator. 
    20          */ 
    21         public ARFFxResourceTool(){ 
    22                 super(ARFFxResourceTool.class.getName()); 
    23                 ARFFxPackageImpl.init(); 
    24                  
    25                 // Commented, because simulation has problems with this 
    26                 initializeValidator(); 
    27         } 
    28          
    29         /** 
    30          * Inizializes the model validator 
    31          */ 
    32         @Override 
    33         protected void initializeValidator(){ 
    34                 super.initializeValidator(); 
    35                 EObjectValidator validator = new EObjectValidator(); 
    36             EValidator.Registry.INSTANCE.put(ARFFxPackage.eINSTANCE, validator); 
    37         }        
    38          
     30 
     31    /** 
     32     * Initializes the Tool Factory, from which the models can be loaded and inizializes the 
     33     * validator. 
     34     */ 
     35    public ARFFxResourceTool() { 
     36        super(ARFFxResourceTool.class.getName()); 
     37        ARFFxPackageImpl.init(); 
     38 
     39        // Commented, because simulation has problems with this 
     40        initializeValidator(); 
     41    } 
     42 
     43    /** 
     44     * Inizializes the model validator 
     45     */ 
     46    @Override 
     47    protected void initializeValidator() { 
     48        super.initializeValidator(); 
     49        EObjectValidator validator = new EObjectValidator(); 
     50        EValidator.Registry.INSTANCE.put(ARFFxPackage.eINSTANCE, validator); 
     51    } 
    3952 
    4053} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/decentApp/DECENTEpsilonModelHandler.java

    r36 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.decentApp; 
    216 
     
    2034 *  
    2135 * @author Philip Makedonski, Fabian Trautsch 
    22  * 
     36 *  
    2337 */ 
    2438 
    2539public class DECENTEpsilonModelHandler { 
    26         private HashMap<String, Object> metaModelCache = new HashMap<>(); 
    27         private boolean useDECENTBinary = false; 
    28         private boolean useARFFxBinary = false; 
    29  
    30         public static String metaPath = "./decent/models/"; 
    31  
    32         /** 
    33          * Returns the decent model as IModel instance 
    34          *  
    35          * @param decentModelLocation location of the decent model file 
    36          * @param read indicates if the model should be read from 
    37          * @param write indicates if data should be written in the model 
    38          * @return EmFModel (IModel) instance from the decent model, which was loaded 
    39          * @throws Exception 
    40          */ 
    41         public IModel getDECENTModel(String decentModelLocation, boolean read, boolean write) throws Exception {  
    42  
    43                 EmfModel model; 
    44                  
    45                 if (isUseDECENTBinary()) { 
    46                         unregisterMetaModels(""); 
    47                         if (!read) { 
    48                                 new File(decentModelLocation).delete(); 
    49                                 new File(decentModelLocation+"bin").delete(); 
    50                         } 
    51                         DECENTResourceTool tool = new DECENTResourceTool(); 
    52                         if (new File(decentModelLocation).exists() && !new File(decentModelLocation+"bin").exists()) { 
    53                                 Resource resource = tool.loadResourceFromXMI(decentModelLocation,"decent", DECENTPackage.eINSTANCE); 
    54                                 tool.storeBinaryResourceContents(resource.getContents(), decentModelLocation+"bin", "decentbin"); 
    55                         } 
    56                          
    57                         Resource resourceBin = tool.loadResourceFromBinary(decentModelLocation+"bin","decentbin", DECENTPackage.eINSTANCE); 
    58                         //alternative pattern 
    59 //                      model = createInMemoryEmfModel("DECENT", resourceLocation, "../DECENT.Meta/model/DECENTv3.ecore", read, write, resourceBin, DECENTPackage.eINSTANCE); 
    60 //                      restoreMetaModels(); 
    61  
    62                         //NOTE: Adding the package is essential as otherwise epsilon breaks 
    63                         model = new InMemoryEmfModel("DECENT", resourceBin, DECENTPackage.eINSTANCE); 
    64                         model.setStoredOnDisposal(write); 
    65                         model.setReadOnLoad(read); 
    66                         model.setCachingEnabled(true); 
    67                         restoreMetaModels();             
    68                 } else { 
    69                         model = createEmfModel("DECENT", decentModelLocation, metaPath+"DECENTv3.ecore", read, write); 
    70                 } 
    71  
    72                 return model; 
    73         } 
    74  
    75         /** 
    76          * Converts the decent model to a binary form 
    77          *  
    78          * @param location of the decent model file 
    79          */ 
    80         public void convertDECENTModelToBinary(String location) { 
    81                 unregisterMetaModels(""); 
    82                 DECENTResourceTool tool = new DECENTResourceTool(); 
    83                 Resource resource = tool.loadResourceFromXMI(location+"/model.decent","decent", DECENTPackage.eINSTANCE); 
    84                 tool.storeBinaryResourceContents(resource.getContents(), location+"/model.decent"+"bin", "decentbin"); 
    85                 restoreMetaModels();             
    86         } 
    87  
    88         /** 
    89          * Converts the decent model to a xmi form 
    90          *  
    91          * @param location of the decent model file 
    92          */ 
    93          
    94         public void convertDECENTModelToXMI(String location) { 
    95                 unregisterMetaModels(""); 
    96                 DECENTResourceTool tool = new DECENTResourceTool();  
    97                 Resource resource = tool.loadResourceFromBinary(location+"/model.decentbin","decentbin", DECENTPackage.eINSTANCE); 
    98                 restoreMetaModels();             
    99                 tool.storeResourceContents(resource.getContents(), location+"/model.decent", "decent"); 
    100         } 
    101  
    102         /** 
    103          * Returns the arffx model as IModel instance 
    104          *  
    105          * @param arffxModelLocation location of the arffx model file 
    106          * @param read indicates if the model should be read from 
    107          * @param write indicates if data should be written in the model 
    108          * @return EmFModel (IModel) instance from the arffx model, which was loaded 
    109          * @throws Exception 
    110          */ 
    111          
    112         public IModel getARFFxModel(String arffxModelLocation, boolean read, boolean write) throws Exception { 
    113                  
    114                 EmfModel model; 
    115                  
    116                 if (isUseARFFxBinary()) { 
    117                         unregisterMetaModels(""); 
    118                         if (!read) { 
    119                                 new File(arffxModelLocation).delete(); 
    120                                 new File(arffxModelLocation+"bin").delete(); 
    121                         } 
    122                         ARFFxResourceTool tool = new ARFFxResourceTool(); 
    123                         if (new File(arffxModelLocation).exists() && !new File(arffxModelLocation+"bin").exists()) { 
    124                                 Resource resource = tool.loadResourceFromXMI(arffxModelLocation,"arffx", ARFFxPackage.eINSTANCE); 
    125                                 tool.storeBinaryResourceContents(resource.getContents(), arffxModelLocation+"bin", "arffxbin"); 
    126                         } 
    127                          
    128                         Resource resourceBin = tool.loadResourceFromBinary(arffxModelLocation+"bin","arffxbin", ARFFxPackage.eINSTANCE); 
    129                         //alternative pattern 
    130 //                      model = createInMemoryEmfModel("DECENT", resourceLocation, "../DECENT.Meta/model/DECENTv3.ecore", read, write, resourceBin, DECENTPackage.eINSTANCE); 
    131 //                      restoreMetaModels(); 
    132  
    133                         //NOTE: Adding the package is essential as otherwise epsilon breaks 
    134                         model = new InMemoryEmfModel("ARFFx", resourceBin, ARFFxPackage.eINSTANCE); 
    135 //                      model.getModelImpl().getURI().toFileString() 
    136                         model.setStoredOnDisposal(write); 
    137                         model.setReadOnLoad(read); 
    138                         model.setCachingEnabled(true); 
    139                         restoreMetaModels();             
    140                 } else { 
    141                         model = createEmfModel("ARFFx", arffxModelLocation, metaPath+"ARFFx.ecore", read, write); 
    142                 } 
    143                  
    144                 return model; 
    145         } 
    146  
    147  
    148         /** 
    149          * Converts an arffx model to a binary version 
    150          *  
    151          * @param location of the arffx model 
    152          */ 
    153         public void convertARFFxModelToBinary(String location) { 
    154                 unregisterMetaModels(""); 
    155                 ARFFxResourceTool tool = new ARFFxResourceTool(); 
    156                 Resource resource = tool.loadResourceFromXMI(location+"/model.arffx","arffx", ARFFxPackage.eINSTANCE); 
    157                 tool.storeBinaryResourceContents(resource.getContents(), location+"/model.arffx"+"bin", "arffxbin"); 
    158                 restoreMetaModels();             
    159         } 
    160          
    161         /** 
    162          * Converts an arffx model to xmi 
    163          *  
    164          * @param location of the arffx model 
    165          */ 
    166  
    167         public void convertARFFxModelToXMI(String location) { 
    168                 unregisterMetaModels(""); 
    169                 ARFFxResourceTool tool = new ARFFxResourceTool();  
    170                 Resource resource = tool.loadResourceFromBinary(location+"/model.arffxbin","arffxbin", DECENTPackage.eINSTANCE); 
    171                 restoreMetaModels();             
    172                 tool.storeResourceContents(resource.getContents(), location+"/model.arffx", "arffx"); 
    173         } 
    174  
    175  
    176         /** 
    177          * Returns the log model as IModel instance 
    178          *  
    179          * @param logModelLocation location of the log model file 
    180          * @param read indicates if the model should be read from 
    181          * @param write indicates if data should be written in the model 
    182          * @return EmFModel (IModel) instance from the log model, which was loaded 
    183          * @throws Exception 
    184          */ 
    185          
    186         public IModel getLOGModel(String logModelLocation, boolean read, boolean write) throws Exception { 
    187                 if (!new File(logModelLocation).exists()) { 
    188                         read = false; 
    189                 } 
    190                 IModel model = createEmfModel("LOG", logModelLocation, metaPath +"LOG.ecore", read, write); 
    191                 System.setProperty("epsilon.logFileAvailable", "true"); 
    192                 return model; 
    193         } 
    194  
    195         /** 
    196          * Creates an EMF Model 
    197          *  
    198          * @param name of the  emf model 
    199          * @param model  name of the model 
    200          * @param metamodel name of the metamodel 
    201          * @param readOnLoad indicates if the model should be read on load 
    202          * @param storeOnDisposal indicates if the model should be stored on disposal 
    203          * @return 
    204          * @throws EolModelLoadingException 
    205          * @throws URISyntaxException 
    206          */ 
    207          
    208         @SuppressWarnings("deprecation") 
    209         protected EmfModel createEmfModel(String name, String model,  
    210                         String metamodel, boolean readOnLoad, boolean storeOnDisposal)  
    211                                         throws EolModelLoadingException, URISyntaxException { 
    212                 EmfModel emfModel = new EmfModel(); 
    213                 StringProperties properties = new StringProperties(); 
    214                 properties.put(EmfModel.PROPERTY_NAME, name); 
    215                 properties.put(EmfModel.PROPERTY_ALIASES, name); 
    216                 properties.put(EmfModel.PROPERTY_FILE_BASED_METAMODEL_URI,  
    217                                 "file:/" + getFile(metamodel).getAbsolutePath()); 
    218                 properties.put(EmfModel.PROPERTY_MODEL_URI,  
    219                                 "file:/" + getFile(model).getAbsolutePath()); 
    220                 properties.put(EmfModel.PROPERTY_IS_METAMODEL_FILE_BASED, "true"); 
    221                 properties.put(EmfModel.PROPERTY_READONLOAD, readOnLoad + ""); 
    222                 properties.put(EmfModel.PROPERTY_CACHED, "true"); 
    223                 properties.put(EmfModel.PROPERTY_STOREONDISPOSAL,  
    224                                 storeOnDisposal + ""); 
    225                 emfModel.load(properties, ""); 
    226                 //System.out.println(emfModel.allContents()); 
    227                 return emfModel; 
    228         } 
    229  
    230         /** 
    231          * Returns a new File instance from the given filename 
    232          *  
    233          * @param fileName of the file 
    234          * @return 
    235          * @throws URISyntaxException 
    236          */ 
    237         public File getFile(String fileName) throws URISyntaxException {; 
    238                 return new File(fileName); 
    239         } 
    240  
    241         /** 
    242          * Restores the metamodels, so that they are registered in the 
    243          * EPackage registry 
    244          */ 
    245         private void restoreMetaModels() { 
    246                 for (String key : metaModelCache .keySet()) { 
    247                         EPackage.Registry.INSTANCE.put(key, metaModelCache.get(key)); 
    248                 }; 
    249         } 
    250  
    251         /** 
    252          * Unregister the metamodels from the EPackage registry 
    253          *  
    254          * @param filter for filtering out certain instances 
    255          */ 
    256         private void unregisterMetaModels(String filter) { 
    257                 for (String key : EPackage.Registry.INSTANCE.keySet()) { 
    258                         if (key.contains(filter)) { 
    259                                 metaModelCache.put(key, EPackage.Registry.INSTANCE.get(key)); 
    260                         } 
    261                 }; 
    262                 for (String key : metaModelCache .keySet()) { 
    263                         EPackage.Registry.INSTANCE.remove(key); 
    264                 }; 
    265         } 
    266          
    267         /** 
    268          * Returns true if decent binary model is used 
    269          * @return 
    270          */ 
    271  
    272         public boolean isUseDECENTBinary() { 
    273                 return useDECENTBinary; 
    274         } 
    275  
    276         /** 
    277          * Sets the boolean which indicates, if the decent binary 
    278          * model is used 
    279          * @param useDECENTBinary 
    280          */ 
    281         public void setUseDECENTBinary(boolean useDECENTBinary) { 
    282                 this.useDECENTBinary = useDECENTBinary; 
    283         } 
    284  
    285         /** 
    286          * Returns true if arffx binary model is used 
    287          * @return 
    288          */ 
    289         public boolean isUseARFFxBinary() { 
    290                 return useARFFxBinary; 
    291         } 
    292          
    293         /** 
    294          * Sets the boolean which indicates, if the arffx binary 
    295          * model is used 
    296          * @param useARFFxBinary 
    297          */ 
    298  
    299         public void setUseARFFxBinary(boolean useARFFxBinary) { 
    300                 this.useARFFxBinary = useARFFxBinary; 
    301         } 
    302  
    303          
     40    private HashMap<String, Object> metaModelCache = new HashMap<>(); 
     41    private boolean useDECENTBinary = false; 
     42    private boolean useARFFxBinary = false; 
     43 
     44    public static String metaPath = "./decent/models/"; 
     45 
     46    /** 
     47     * Returns the decent model as IModel instance 
     48     *  
     49     * @param decentModelLocation 
     50     *            location of the decent model file 
     51     * @param read 
     52     *            indicates if the model should be read from 
     53     * @param write 
     54     *            indicates if data should be written in the model 
     55     * @return EmFModel (IModel) instance from the decent model, which was loaded 
     56     * @throws Exception 
     57     */ 
     58    public IModel getDECENTModel(String decentModelLocation, boolean read, boolean write) 
     59        throws Exception 
     60    { 
     61 
     62        EmfModel model; 
     63 
     64        if (isUseDECENTBinary()) { 
     65            unregisterMetaModels(""); 
     66            if (!read) { 
     67                new File(decentModelLocation).delete(); 
     68                new File(decentModelLocation + "bin").delete(); 
     69            } 
     70            DECENTResourceTool tool = new DECENTResourceTool(); 
     71            if (new File(decentModelLocation).exists() && 
     72                !new File(decentModelLocation + "bin").exists()) 
     73            { 
     74                Resource resource = 
     75                    tool.loadResourceFromXMI(decentModelLocation, "decent", DECENTPackage.eINSTANCE); 
     76                tool.storeBinaryResourceContents(resource.getContents(), decentModelLocation + 
     77                    "bin", "decentbin"); 
     78            } 
     79 
     80            Resource resourceBin = 
     81                tool.loadResourceFromBinary(decentModelLocation + "bin", "decentbin", 
     82                                            DECENTPackage.eINSTANCE); 
     83            // alternative pattern 
     84            // model = createInMemoryEmfModel("DECENT", resourceLocation, 
     85            // "../DECENT.Meta/model/DECENTv3.ecore", read, write, resourceBin, 
     86            // DECENTPackage.eINSTANCE); 
     87            // restoreMetaModels(); 
     88 
     89            // NOTE: Adding the package is essential as otherwise epsilon breaks 
     90            model = new InMemoryEmfModel("DECENT", resourceBin, DECENTPackage.eINSTANCE); 
     91            model.setStoredOnDisposal(write); 
     92            model.setReadOnLoad(read); 
     93            model.setCachingEnabled(true); 
     94            restoreMetaModels(); 
     95        } 
     96        else { 
     97            model = 
     98                createEmfModel("DECENT", decentModelLocation, metaPath + "DECENTv3.ecore", read, 
     99                               write); 
     100        } 
     101 
     102        return model; 
     103    } 
     104 
     105    /** 
     106     * Converts the decent model to a binary form 
     107     *  
     108     * @param location 
     109     *            of the decent model file 
     110     */ 
     111    public void convertDECENTModelToBinary(String location) { 
     112        unregisterMetaModels(""); 
     113        DECENTResourceTool tool = new DECENTResourceTool(); 
     114        Resource resource = 
     115            tool.loadResourceFromXMI(location + "/model.decent", "decent", DECENTPackage.eINSTANCE); 
     116        tool.storeBinaryResourceContents(resource.getContents(), 
     117                                         location + "/model.decent" + "bin", "decentbin"); 
     118        restoreMetaModels(); 
     119    } 
     120 
     121    /** 
     122     * Converts the decent model to a xmi form 
     123     *  
     124     * @param location 
     125     *            of the decent model file 
     126     */ 
     127 
     128    public void convertDECENTModelToXMI(String location) { 
     129        unregisterMetaModels(""); 
     130        DECENTResourceTool tool = new DECENTResourceTool(); 
     131        Resource resource = 
     132            tool.loadResourceFromBinary(location + "/model.decentbin", "decentbin", 
     133                                        DECENTPackage.eINSTANCE); 
     134        restoreMetaModels(); 
     135        tool.storeResourceContents(resource.getContents(), location + "/model.decent", "decent"); 
     136    } 
     137 
     138    /** 
     139     * Returns the arffx model as IModel instance 
     140     *  
     141     * @param arffxModelLocation 
     142     *            location of the arffx model file 
     143     * @param read 
     144     *            indicates if the model should be read from 
     145     * @param write 
     146     *            indicates if data should be written in the model 
     147     * @return EmFModel (IModel) instance from the arffx model, which was loaded 
     148     * @throws Exception 
     149     */ 
     150 
     151    public IModel getARFFxModel(String arffxModelLocation, boolean read, boolean write) 
     152        throws Exception 
     153    { 
     154 
     155        EmfModel model; 
     156 
     157        if (isUseARFFxBinary()) { 
     158            unregisterMetaModels(""); 
     159            if (!read) { 
     160                new File(arffxModelLocation).delete(); 
     161                new File(arffxModelLocation + "bin").delete(); 
     162            } 
     163            ARFFxResourceTool tool = new ARFFxResourceTool(); 
     164            if (new File(arffxModelLocation).exists() && 
     165                !new File(arffxModelLocation + "bin").exists()) 
     166            { 
     167                Resource resource = 
     168                    tool.loadResourceFromXMI(arffxModelLocation, "arffx", ARFFxPackage.eINSTANCE); 
     169                tool.storeBinaryResourceContents(resource.getContents(), 
     170                                                 arffxModelLocation + "bin", "arffxbin"); 
     171            } 
     172 
     173            Resource resourceBin = 
     174                tool.loadResourceFromBinary(arffxModelLocation + "bin", "arffxbin", 
     175                                            ARFFxPackage.eINSTANCE); 
     176            // alternative pattern 
     177            // model = createInMemoryEmfModel("DECENT", resourceLocation, 
     178            // "../DECENT.Meta/model/DECENTv3.ecore", read, write, resourceBin, 
     179            // DECENTPackage.eINSTANCE); 
     180            // restoreMetaModels(); 
     181 
     182            // NOTE: Adding the package is essential as otherwise epsilon breaks 
     183            model = new InMemoryEmfModel("ARFFx", resourceBin, ARFFxPackage.eINSTANCE); 
     184            // model.getModelImpl().getURI().toFileString() 
     185            model.setStoredOnDisposal(write); 
     186            model.setReadOnLoad(read); 
     187            model.setCachingEnabled(true); 
     188            restoreMetaModels(); 
     189        } 
     190        else { 
     191            model = 
     192                createEmfModel("ARFFx", arffxModelLocation, metaPath + "ARFFx.ecore", read, write); 
     193        } 
     194 
     195        return model; 
     196    } 
     197 
     198    /** 
     199     * Converts an arffx model to a binary version 
     200     *  
     201     * @param location 
     202     *            of the arffx model 
     203     */ 
     204    public void convertARFFxModelToBinary(String location) { 
     205        unregisterMetaModels(""); 
     206        ARFFxResourceTool tool = new ARFFxResourceTool(); 
     207        Resource resource = 
     208            tool.loadResourceFromXMI(location + "/model.arffx", "arffx", ARFFxPackage.eINSTANCE); 
     209        tool.storeBinaryResourceContents(resource.getContents(), location + "/model.arffx" + "bin", 
     210                                         "arffxbin"); 
     211        restoreMetaModels(); 
     212    } 
     213 
     214    /** 
     215     * Converts an arffx model to xmi 
     216     *  
     217     * @param location 
     218     *            of the arffx model 
     219     */ 
     220 
     221    public void convertARFFxModelToXMI(String location) { 
     222        unregisterMetaModels(""); 
     223        ARFFxResourceTool tool = new ARFFxResourceTool(); 
     224        Resource resource = 
     225            tool.loadResourceFromBinary(location + "/model.arffxbin", "arffxbin", 
     226                                        DECENTPackage.eINSTANCE); 
     227        restoreMetaModels(); 
     228        tool.storeResourceContents(resource.getContents(), location + "/model.arffx", "arffx"); 
     229    } 
     230 
     231    /** 
     232     * Returns the log model as IModel instance 
     233     *  
     234     * @param logModelLocation 
     235     *            location of the log model file 
     236     * @param read 
     237     *            indicates if the model should be read from 
     238     * @param write 
     239     *            indicates if data should be written in the model 
     240     * @return EmFModel (IModel) instance from the log model, which was loaded 
     241     * @throws Exception 
     242     */ 
     243 
     244    public IModel getLOGModel(String logModelLocation, boolean read, boolean write) 
     245        throws Exception 
     246    { 
     247        if (!new File(logModelLocation).exists()) { 
     248            read = false; 
     249        } 
     250        IModel model = createEmfModel("LOG", logModelLocation, metaPath + "LOG.ecore", read, write); 
     251        System.setProperty("epsilon.logFileAvailable", "true"); 
     252        return model; 
     253    } 
     254 
     255    /** 
     256     * Creates an EMF Model 
     257     *  
     258     * @param name 
     259     *            of the emf model 
     260     * @param model 
     261     *            name of the model 
     262     * @param metamodel 
     263     *            name of the metamodel 
     264     * @param readOnLoad 
     265     *            indicates if the model should be read on load 
     266     * @param storeOnDisposal 
     267     *            indicates if the model should be stored on disposal 
     268     * @return 
     269     * @throws EolModelLoadingException 
     270     * @throws URISyntaxException 
     271     */ 
     272 
     273    @SuppressWarnings("deprecation") 
     274    protected EmfModel createEmfModel(String name, 
     275                                      String model, 
     276                                      String metamodel, 
     277                                      boolean readOnLoad, 
     278                                      boolean storeOnDisposal) throws EolModelLoadingException, 
     279        URISyntaxException 
     280    { 
     281        EmfModel emfModel = new EmfModel(); 
     282        StringProperties properties = new StringProperties(); 
     283        properties.put(EmfModel.PROPERTY_NAME, name); 
     284        properties.put(EmfModel.PROPERTY_ALIASES, name); 
     285        properties.put(EmfModel.PROPERTY_FILE_BASED_METAMODEL_URI, "file:/" + 
     286            getFile(metamodel).getAbsolutePath()); 
     287        properties.put(EmfModel.PROPERTY_MODEL_URI, "file:/" + getFile(model).getAbsolutePath()); 
     288        properties.put(EmfModel.PROPERTY_IS_METAMODEL_FILE_BASED, "true"); 
     289        properties.put(EmfModel.PROPERTY_READONLOAD, readOnLoad + ""); 
     290        properties.put(EmfModel.PROPERTY_CACHED, "true"); 
     291        properties.put(EmfModel.PROPERTY_STOREONDISPOSAL, storeOnDisposal + ""); 
     292        emfModel.load(properties, ""); 
     293        // System.out.println(emfModel.allContents()); 
     294        return emfModel; 
     295    } 
     296 
     297    /** 
     298     * Returns a new File instance from the given filename 
     299     *  
     300     * @param fileName 
     301     *            of the file 
     302     * @return 
     303     * @throws URISyntaxException 
     304     */ 
     305    public File getFile(String fileName) throws URISyntaxException { 
     306        ; 
     307        return new File(fileName); 
     308    } 
     309 
     310    /** 
     311     * Restores the metamodels, so that they are registered in the EPackage registry 
     312     */ 
     313    private void restoreMetaModels() { 
     314        for (String key : metaModelCache.keySet()) { 
     315            EPackage.Registry.INSTANCE.put(key, metaModelCache.get(key)); 
     316        }; 
     317    } 
     318 
     319    /** 
     320     * Unregister the metamodels from the EPackage registry 
     321     *  
     322     * @param filter 
     323     *            for filtering out certain instances 
     324     */ 
     325    private void unregisterMetaModels(String filter) { 
     326        for (String key : EPackage.Registry.INSTANCE.keySet()) { 
     327            if (key.contains(filter)) { 
     328                metaModelCache.put(key, EPackage.Registry.INSTANCE.get(key)); 
     329            } 
     330        }; 
     331        for (String key : metaModelCache.keySet()) { 
     332            EPackage.Registry.INSTANCE.remove(key); 
     333        }; 
     334    } 
     335 
     336    /** 
     337     * Returns true if decent binary model is used 
     338     *  
     339     * @return 
     340     */ 
     341 
     342    public boolean isUseDECENTBinary() { 
     343        return useDECENTBinary; 
     344    } 
     345 
     346    /** 
     347     * Sets the boolean which indicates, if the decent binary model is used 
     348     *  
     349     * @param useDECENTBinary 
     350     */ 
     351    public void setUseDECENTBinary(boolean useDECENTBinary) { 
     352        this.useDECENTBinary = useDECENTBinary; 
     353    } 
     354 
     355    /** 
     356     * Returns true if arffx binary model is used 
     357     *  
     358     * @return 
     359     */ 
     360    public boolean isUseARFFxBinary() { 
     361        return useARFFxBinary; 
     362    } 
     363 
     364    /** 
     365     * Sets the boolean which indicates, if the arffx binary model is used 
     366     *  
     367     * @param useARFFxBinary 
     368     */ 
     369 
     370    public void setUseARFFxBinary(boolean useARFFxBinary) { 
     371        this.useARFFxBinary = useARFFxBinary; 
     372    } 
     373 
    304374} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/decentApp/DECENTResourceTool.java

    r36 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.decentApp; 
    216 
     
    1226 *  
    1327 * @author Philip Makedonski, Fabian Trautsch 
    14  * 
     28 *  
    1529 */ 
    1630public class DECENTResourceTool extends ResourceTool { 
    17          
    18         /** 
    19          * Initializes the Tool Factory, from which the models can be loaded and 
    20          * inizializes the validator. 
    21          */ 
    22         public DECENTResourceTool(){ 
    23                 super(DECENTResourceTool.class.getName()); 
    24                 DECENTPackageImpl.init(); 
    25                 this.resourceFactory = new DECENTResourceFactoryImpl(); 
    26                 initializeValidator(); 
    27         } 
    28          
    29         /** 
    30          * Inizializes the model validator 
    31          */ 
    32         @Override 
    33         protected void initializeValidator(){ 
    34                 super.initializeValidator(); 
    35                 EObjectValidator validator = new EObjectValidator(); 
    36             EValidator.Registry.INSTANCE.put(DECENTPackage.eINSTANCE, validator); 
    37         } 
    38          
    39          
     31 
     32    /** 
     33     * Initializes the Tool Factory, from which the models can be loaded and inizializes the 
     34     * validator. 
     35     */ 
     36    public DECENTResourceTool() { 
     37        super(DECENTResourceTool.class.getName()); 
     38        DECENTPackageImpl.init(); 
     39        this.resourceFactory = new DECENTResourceFactoryImpl(); 
     40        initializeValidator(); 
     41    } 
     42 
     43    /** 
     44     * Inizializes the model validator 
     45     */ 
     46    @Override 
     47    protected void initializeValidator() { 
     48        super.initializeValidator(); 
     49        EObjectValidator validator = new EObjectValidator(); 
     50        EValidator.Registry.INSTANCE.put(DECENTPackage.eINSTANCE, validator); 
     51    } 
    4052 
    4153} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/decentApp/FileWatcher.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.decentApp; 
    216 
     
    822 *  
    923 * @author Philip Makedonski 
    10  * 
     24 *  
    1125 */ 
    1226public abstract class FileWatcher extends TimerTask { 
    13         // Last timestamp 
    14         private long timeStamp; 
    15          
    16         // File to watch 
    17         private File file; 
     27    // Last timestamp 
     28    private long timeStamp; 
    1829 
    19         /** 
    20          * Constructor 
    21          * @param file 
    22          */ 
    23         public FileWatcher(File file) { 
    24                 this.file = file; 
    25                 this.timeStamp = file.lastModified(); 
    26         } 
     30    // File to watch 
     31    private File file; 
    2732 
    28         /** 
    29          * Watches a file and executes the onChange Method 
    30          * if a file is changed 
    31          */ 
    32         public final void run() { 
    33                 long timeStamp = file.lastModified(); 
     33    /** 
     34     * Constructor 
     35     *  
     36     * @param file 
     37     */ 
     38    public FileWatcher(File file) { 
     39        this.file = file; 
     40        this.timeStamp = file.lastModified(); 
     41    } 
    3442 
    35                 if (this.timeStamp != timeStamp) { 
    36                         this.timeStamp = timeStamp; 
    37                         onChange(file); 
    38                 } 
    39         } 
     43    /** 
     44     * Watches a file and executes the onChange Method if a file is changed 
     45     */ 
     46    public final void run() { 
     47        long timeStamp = file.lastModified(); 
    4048 
    41         protected abstract void onChange(File file); 
     49        if (this.timeStamp != timeStamp) { 
     50            this.timeStamp = timeStamp; 
     51            onChange(file); 
     52        } 
     53    } 
     54 
     55    protected abstract void onChange(File file); 
    4256} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/decentApp/ResourceTool.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.decentApp; 
    216 
     
    3246 *  
    3347 * @author Philip Makedonski 
    34  * 
     48 *  
    3549 */ 
    3650public class ResourceTool { 
    3751 
    38         protected ResourceFactoryImpl resourceFactory = new XMIResourceFactoryImpl(); 
    39  
    40         /** 
    41          * Constructor 
    42          * @param loggedClass 
    43          */ 
    44         public ResourceTool(String loggedClass) { 
    45                 System.setProperty("org.slf4j.simpleLogger.logFile","validation.log"); 
    46                 System.setProperty("org.slf4j.simpleLogger.logFile","System.out"); 
    47         } 
    48  
    49         /** 
    50          * Initializes the validator 
    51          */ 
    52         protected void initializeValidator() { 
    53         //              OCL.initialize(null); 
    54                         String oclDelegateURI = OCLConstants.OCL_DELEGATE_URI+"/Pivot"; 
    55                          
    56                     EOperation.Internal.InvocationDelegate.Factory.Registry.INSTANCE.put(oclDelegateURI, 
    57                         new OCLInvocationDelegateFactory(oclDelegateURI)); 
    58                     EStructuralFeature.Internal.SettingDelegate.Factory.Registry.INSTANCE.put(oclDelegateURI, 
    59                         new OCLSettingDelegateFactory(oclDelegateURI)); 
    60                     EValidator.ValidationDelegate.Registry.INSTANCE.put(oclDelegateURI, 
    61                         new OCLValidationDelegateFactory(oclDelegateURI)); 
    62                      
    63         //          EStructuralFeature.Internal.SettingDelegate.Factory.Registry.INSTANCE.put(oclDelegateURI,  
    64         //              new OCLSettingDelegateFactory.Global()); 
    65         //          QueryDelegate.Factory.Registry.INSTANCE.put(oclDelegateURI, new OCLQueryDelegateFactory.Global()); 
    66                      
    67                 } 
    68  
    69         /** 
    70          * Validates the ressource 
    71          * @param resource to validate 
    72          */ 
    73         public void validateResource(Resource resource) { 
    74             BasicDiagnostic diagnostics = new BasicDiagnostic(); 
    75             boolean valid = true; 
    76             for (EObject eo : resource.getContents()) 
    77             { 
    78                 Map<Object, Object> context = new HashMap<Object, Object>(); 
    79                 boolean validationResult = Diagnostician.INSTANCE.validate(eo, diagnostics, context); 
    80                 showDiagnostics(diagnostics, ""); 
    81                         valid &= validationResult; 
    82             } 
    83              
    84             if (!valid){ 
    85                 System.out.println("Problem with validation!"); 
    86             } 
    87         } 
    88  
    89         /** 
    90          * Output method for showing diagnostics for different ressources 
    91          * @param diagnostics 
    92          * @param indent 
    93          */ 
    94         protected void showDiagnostics(Diagnostic diagnostics, String indent) { 
    95                 indent+="  "; 
    96                 for (Diagnostic d : diagnostics.getChildren()){ 
    97                         System.out.println(indent+d.getSource()); 
    98                         System.out.println(indent+"  "+d.getMessage()); 
    99                         showDiagnostics(d,indent); 
    100                 } 
    101         } 
    102  
    103          
    104         /** 
    105          * Loads a ressource from XMI 
    106          * @param inputPath path to the xmi 
    107          * @param extension of the ressource to load 
    108          * @param p the given EPackage 
    109          * @return 
    110          */ 
    111         //TODO: workarounds copied from respective methods without EPackage parameter 
    112         @SuppressWarnings({ "rawtypes", "unchecked" }) 
    113         public Resource loadResourceFromXMI(String inputPath, String extension, EPackage p) { 
    114             Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
    115             Map<String, Object> m = reg.getExtensionToFactoryMap(); 
    116                 m.put(extension, resourceFactory); 
    117             ResourceSet resSetIn = new ResourceSetImpl(); 
    118             //critical part 
    119             resSetIn.getPackageRegistry().put(p.getNsURI(), p); 
    120  
    121             Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
    122             try { 
    123                 Map options = new HashMap<>(); 
    124                 options.put(XMIResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
    125 //              options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
    126                         inputResource.load(options); 
    127                 } catch (IOException e) { 
    128                         e.printStackTrace(); 
    129                 } 
    130                 return inputResource; 
    131         } 
    132          
    133         /** 
    134          * Loads a ressource from XMI 
    135          * @param inputPath path to the xmi 
    136          * @param extension of the ressource to load 
    137          * @return 
    138          */ 
    139  
    140         @SuppressWarnings({ "rawtypes", "unchecked" }) 
    141         public Resource loadResourceFromXMI(String inputPath, String extension) { 
    142             Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
    143             Map<String, Object> m = reg.getExtensionToFactoryMap(); 
    144                 m.put(extension, resourceFactory); 
    145             ResourceSet resSetIn = new ResourceSetImpl(); 
    146             Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
    147             try { 
    148                 Map options = new HashMap<>(); 
    149                 options.put(XMIResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
    150 //              options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
    151                         inputResource.load(options); 
    152                 } catch (IOException e) { 
    153                         e.printStackTrace(); 
    154                 } 
    155                 return inputResource; 
    156         } 
    157  
    158         /** 
    159          * Gets a ressource from a binary form 
    160          * @param inputPath path to the binary 
    161          * @param extension of the model to load 
    162          * @param p EPackage to put the loaded ressource in 
    163          * @return 
    164          */ 
    165         public Resource getResourceFromBinary(String inputPath, String extension, EPackage p) { 
    166             Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
    167             Map<String, Object> m = reg.getExtensionToFactoryMap(); 
    168             m.put(extension, new Resource.Factory() { 
    169  
    170                         @Override 
    171                         public Resource createResource(URI uri) { 
    172                                 return new BinaryResourceImpl(uri); 
    173                         } 
    174                          
    175                 });          
    176              
    177             ResourceSet resSetIn = new ResourceSetImpl(); 
    178             //critical part 
    179             resSetIn.getPackageRegistry().put(p.getNsURI(), p); 
    180  
    181             Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
    182                 return inputResource; 
    183         } 
    184  
    185          
    186         /** 
    187          * Loads a ressource from a binary form 
    188          * @param inputPath path to the binary 
    189          * @param extension of the model to load 
    190          * @param p EPackage to put the loaded ressource in 
    191          * @return 
    192          */ 
    193         //TODO: workarounds copied from respective methods without EPackage parameter 
    194         @SuppressWarnings({ "rawtypes" }) 
    195         public Resource loadResourceFromBinary(String inputPath, String extension, EPackage p) { 
    196             Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
    197             Map<String, Object> m = reg.getExtensionToFactoryMap(); 
    198             m.put(extension, new Resource.Factory() { 
    199  
    200                         @Override 
    201                         public Resource createResource(URI uri) { 
    202                                 return new BinaryResourceImpl(uri); 
    203                         } 
    204                          
    205                 });          
    206              
    207             ResourceSet resSetIn = new ResourceSetImpl(); 
    208             //critical part 
    209             resSetIn.getPackageRegistry().put(p.getNsURI(), p); 
    210  
    211             Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
    212             if (new File(inputPath).exists()) { 
    213                  
    214                     try { 
    215                         Map options = new HashMap<>(); 
    216 //                      options.put(BinaryResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
    217 //                      options.put(BinaryResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
    218         //              options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
    219                                 inputResource.load(options); 
    220                         } catch (IOException e) { 
    221                                 e.printStackTrace(); 
    222                         } 
    223             } 
    224                 return inputResource; 
    225         } 
    226  
    227         /** 
    228          * Loads a ressource from a binary form 
    229          *  
    230          * @param inputPath path to the binary 
    231          * @param extension of the model to load 
    232          * @return 
    233          */ 
    234         @SuppressWarnings({ "rawtypes" }) 
    235         public Resource loadResourceFromBinary(String inputPath, String extension) { 
    236             Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
    237             Map<String, Object> m = reg.getExtensionToFactoryMap(); 
    238             m.put(extension, new Resource.Factory() { 
    239  
    240                         @Override 
    241                         public Resource createResource(URI uri) { 
    242                                 return new BinaryResourceImpl(uri); 
    243                         } 
    244                          
    245                 });          
    246              
    247             ResourceSet resSetIn = new ResourceSetImpl(); 
    248             Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
    249             try { 
    250                 Map options = new HashMap<>(); 
    251 //              options.put(XMIResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
    252 //              options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
    253                         inputResource.load(options); 
    254                 } catch (IOException e) { 
    255                         e.printStackTrace(); 
    256                 } 
    257                 return inputResource; 
    258         } 
    259  
    260         /** 
    261          * Stores the binary resource contents to a given path 
    262          *  
    263          * @param contents EList of different EObjects to store 
    264          * @param outputPath path to store to 
    265          * @param extension of the model to store 
    266          */ 
    267         @SuppressWarnings({ "rawtypes" }) 
    268         public void storeBinaryResourceContents(EList<EObject> contents, String outputPath, String extension) { 
    269                 Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
    270             Map<String, Object> m = reg.getExtensionToFactoryMap(); 
    271                 m.put(extension, new Resource.Factory() { 
    272  
    273                         @Override 
    274                         public Resource createResource(URI uri) { 
    275                                 return new BinaryResourceImpl(uri); 
    276                         } 
    277                          
    278                 }); 
    279                  
    280             ResourceSet resSet = new ResourceSetImpl(); 
    281                 Resource outputResource = resSet.createResource(URI.createURI(outputPath)); 
    282             outputResource.getContents().addAll(contents); 
    283             try { 
    284               Map options = new HashMap<>(); 
    285 //            options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
    286               outputResource.save(options); 
    287             } catch (IOException e) { 
    288               e.printStackTrace(); 
    289             } 
    290         } 
    291  
    292         /** 
    293          * Stores the resource contents to a given path 
    294          *  
    295          * @param contents EList of different EObjects to store 
    296          * @param outputPath path to store to 
    297          * @param extension of the model to store 
    298          */ 
    299         @SuppressWarnings({ "unchecked", "rawtypes" }) 
    300         public void storeResourceContents(EList<EObject> contents, String outputPath, String extension) { 
    301                 //TODO: duplicated from loadResourceFromXMI => move to a more appropriate location 
    302                 Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
    303             Map<String, Object> m = reg.getExtensionToFactoryMap(); 
    304                 m.put(extension, resourceFactory); 
    305                  
    306             ResourceSet resSet = new ResourceSetImpl(); 
    307                 Resource outputResource = resSet.createResource(URI.createURI(outputPath)); 
    308             outputResource.getContents().addAll(contents); 
    309             try { 
    310               Map options = new HashMap<>(); 
    311               options.put(XMIResourceImpl.OPTION_ENCODING, "UTF-8"); 
    312 //            options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
    313               outputResource.save(options); 
    314             } catch (IOException e) { 
    315               e.printStackTrace(); 
    316             } 
    317         } 
    318  
     52    protected ResourceFactoryImpl resourceFactory = new XMIResourceFactoryImpl(); 
     53 
     54    /** 
     55     * Constructor 
     56     *  
     57     * @param loggedClass 
     58     */ 
     59    public ResourceTool(String loggedClass) { 
     60        System.setProperty("org.slf4j.simpleLogger.logFile", "validation.log"); 
     61        System.setProperty("org.slf4j.simpleLogger.logFile", "System.out"); 
     62    } 
     63 
     64    /** 
     65     * Initializes the validator 
     66     */ 
     67    protected void initializeValidator() { 
     68        // OCL.initialize(null); 
     69        String oclDelegateURI = OCLConstants.OCL_DELEGATE_URI + "/Pivot"; 
     70 
     71        EOperation.Internal.InvocationDelegate.Factory.Registry.INSTANCE 
     72            .put(oclDelegateURI, new OCLInvocationDelegateFactory(oclDelegateURI)); 
     73        EStructuralFeature.Internal.SettingDelegate.Factory.Registry.INSTANCE 
     74            .put(oclDelegateURI, new OCLSettingDelegateFactory(oclDelegateURI)); 
     75        EValidator.ValidationDelegate.Registry.INSTANCE 
     76            .put(oclDelegateURI, new OCLValidationDelegateFactory(oclDelegateURI)); 
     77 
     78        // EStructuralFeature.Internal.SettingDelegate.Factory.Registry.INSTANCE.put(oclDelegateURI, 
     79        // new OCLSettingDelegateFactory.Global()); 
     80        // QueryDelegate.Factory.Registry.INSTANCE.put(oclDelegateURI, new 
     81        // OCLQueryDelegateFactory.Global()); 
     82 
     83    } 
     84 
     85    /** 
     86     * Validates the ressource 
     87     *  
     88     * @param resource 
     89     *            to validate 
     90     */ 
     91    public void validateResource(Resource resource) { 
     92        BasicDiagnostic diagnostics = new BasicDiagnostic(); 
     93        boolean valid = true; 
     94        for (EObject eo : resource.getContents()) { 
     95            Map<Object, Object> context = new HashMap<Object, Object>(); 
     96            boolean validationResult = Diagnostician.INSTANCE.validate(eo, diagnostics, context); 
     97            showDiagnostics(diagnostics, ""); 
     98            valid &= validationResult; 
     99        } 
     100 
     101        if (!valid) { 
     102            System.out.println("Problem with validation!"); 
     103        } 
     104    } 
     105 
     106    /** 
     107     * Output method for showing diagnostics for different ressources 
     108     *  
     109     * @param diagnostics 
     110     * @param indent 
     111     */ 
     112    protected void showDiagnostics(Diagnostic diagnostics, String indent) { 
     113        indent += "  "; 
     114        for (Diagnostic d : diagnostics.getChildren()) { 
     115            System.out.println(indent + d.getSource()); 
     116            System.out.println(indent + "  " + d.getMessage()); 
     117            showDiagnostics(d, indent); 
     118        } 
     119    } 
     120 
     121    /** 
     122     * Loads a ressource from XMI 
     123     *  
     124     * @param inputPath 
     125     *            path to the xmi 
     126     * @param extension 
     127     *            of the ressource to load 
     128     * @param p 
     129     *            the given EPackage 
     130     * @return 
     131     */ 
     132    // TODO: workarounds copied from respective methods without EPackage parameter 
     133    @SuppressWarnings( 
     134        { "rawtypes", "unchecked" }) 
     135    public Resource loadResourceFromXMI(String inputPath, String extension, EPackage p) { 
     136        Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
     137        Map<String, Object> m = reg.getExtensionToFactoryMap(); 
     138        m.put(extension, resourceFactory); 
     139        ResourceSet resSetIn = new ResourceSetImpl(); 
     140        // critical part 
     141        resSetIn.getPackageRegistry().put(p.getNsURI(), p); 
     142 
     143        Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
     144        try { 
     145            Map options = new HashMap<>(); 
     146            options.put(XMIResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
     147            // options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, 
     148            // XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
     149            inputResource.load(options); 
     150        } 
     151        catch (IOException e) { 
     152            e.printStackTrace(); 
     153        } 
     154        return inputResource; 
     155    } 
     156 
     157    /** 
     158     * Loads a ressource from XMI 
     159     *  
     160     * @param inputPath 
     161     *            path to the xmi 
     162     * @param extension 
     163     *            of the ressource to load 
     164     * @return 
     165     */ 
     166 
     167    @SuppressWarnings( 
     168        { "rawtypes", "unchecked" }) 
     169    public Resource loadResourceFromXMI(String inputPath, String extension) { 
     170        Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
     171        Map<String, Object> m = reg.getExtensionToFactoryMap(); 
     172        m.put(extension, resourceFactory); 
     173        ResourceSet resSetIn = new ResourceSetImpl(); 
     174        Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
     175        try { 
     176            Map options = new HashMap<>(); 
     177            options.put(XMIResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
     178            // options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, 
     179            // XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
     180            inputResource.load(options); 
     181        } 
     182        catch (IOException e) { 
     183            e.printStackTrace(); 
     184        } 
     185        return inputResource; 
     186    } 
     187 
     188    /** 
     189     * Gets a ressource from a binary form 
     190     *  
     191     * @param inputPath 
     192     *            path to the binary 
     193     * @param extension 
     194     *            of the model to load 
     195     * @param p 
     196     *            EPackage to put the loaded ressource in 
     197     * @return 
     198     */ 
     199    public Resource getResourceFromBinary(String inputPath, String extension, EPackage p) { 
     200        Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
     201        Map<String, Object> m = reg.getExtensionToFactoryMap(); 
     202        m.put(extension, new Resource.Factory() { 
     203 
     204            @Override 
     205            public Resource createResource(URI uri) { 
     206                return new BinaryResourceImpl(uri); 
     207            } 
     208 
     209        }); 
     210 
     211        ResourceSet resSetIn = new ResourceSetImpl(); 
     212        // critical part 
     213        resSetIn.getPackageRegistry().put(p.getNsURI(), p); 
     214 
     215        Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
     216        return inputResource; 
     217    } 
     218 
     219    /** 
     220     * Loads a ressource from a binary form 
     221     *  
     222     * @param inputPath 
     223     *            path to the binary 
     224     * @param extension 
     225     *            of the model to load 
     226     * @param p 
     227     *            EPackage to put the loaded ressource in 
     228     * @return 
     229     */ 
     230    // TODO: workarounds copied from respective methods without EPackage parameter 
     231    @SuppressWarnings( 
     232        { "rawtypes" }) 
     233    public Resource loadResourceFromBinary(String inputPath, String extension, EPackage p) { 
     234        Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
     235        Map<String, Object> m = reg.getExtensionToFactoryMap(); 
     236        m.put(extension, new Resource.Factory() { 
     237 
     238            @Override 
     239            public Resource createResource(URI uri) { 
     240                return new BinaryResourceImpl(uri); 
     241            } 
     242 
     243        }); 
     244 
     245        ResourceSet resSetIn = new ResourceSetImpl(); 
     246        // critical part 
     247        resSetIn.getPackageRegistry().put(p.getNsURI(), p); 
     248 
     249        Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
     250        if (new File(inputPath).exists()) { 
     251 
     252            try { 
     253                Map options = new HashMap<>(); 
     254                // options.put(BinaryResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
     255                // options.put(BinaryResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
     256                // options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, 
     257                // XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
     258                inputResource.load(options); 
     259            } 
     260            catch (IOException e) { 
     261                e.printStackTrace(); 
     262            } 
     263        } 
     264        return inputResource; 
     265    } 
     266 
     267    /** 
     268     * Loads a ressource from a binary form 
     269     *  
     270     * @param inputPath 
     271     *            path to the binary 
     272     * @param extension 
     273     *            of the model to load 
     274     * @return 
     275     */ 
     276    @SuppressWarnings( 
     277        { "rawtypes" }) 
     278    public Resource loadResourceFromBinary(String inputPath, String extension) { 
     279        Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
     280        Map<String, Object> m = reg.getExtensionToFactoryMap(); 
     281        m.put(extension, new Resource.Factory() { 
     282 
     283            @Override 
     284            public Resource createResource(URI uri) { 
     285                return new BinaryResourceImpl(uri); 
     286            } 
     287 
     288        }); 
     289 
     290        ResourceSet resSetIn = new ResourceSetImpl(); 
     291        Resource inputResource = resSetIn.createResource(URI.createURI(inputPath)); 
     292        try { 
     293            Map options = new HashMap<>(); 
     294            // options.put(XMIResourceImpl.OPTION_DEFER_IDREF_RESOLUTION, Boolean.TRUE); 
     295            // options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, 
     296            // XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
     297            inputResource.load(options); 
     298        } 
     299        catch (IOException e) { 
     300            e.printStackTrace(); 
     301        } 
     302        return inputResource; 
     303    } 
     304 
     305    /** 
     306     * Stores the binary resource contents to a given path 
     307     *  
     308     * @param contents 
     309     *            EList of different EObjects to store 
     310     * @param outputPath 
     311     *            path to store to 
     312     * @param extension 
     313     *            of the model to store 
     314     */ 
     315    @SuppressWarnings( 
     316        { "rawtypes" }) 
     317    public void storeBinaryResourceContents(EList<EObject> contents, 
     318                                            String outputPath, 
     319                                            String extension) 
     320    { 
     321        Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
     322        Map<String, Object> m = reg.getExtensionToFactoryMap(); 
     323        m.put(extension, new Resource.Factory() { 
     324 
     325            @Override 
     326            public Resource createResource(URI uri) { 
     327                return new BinaryResourceImpl(uri); 
     328            } 
     329 
     330        }); 
     331 
     332        ResourceSet resSet = new ResourceSetImpl(); 
     333        Resource outputResource = resSet.createResource(URI.createURI(outputPath)); 
     334        outputResource.getContents().addAll(contents); 
     335        try { 
     336            Map options = new HashMap<>(); 
     337            // options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, 
     338            // XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
     339            outputResource.save(options); 
     340        } 
     341        catch (IOException e) { 
     342            e.printStackTrace(); 
     343        } 
     344    } 
     345 
     346    /** 
     347     * Stores the resource contents to a given path 
     348     *  
     349     * @param contents 
     350     *            EList of different EObjects to store 
     351     * @param outputPath 
     352     *            path to store to 
     353     * @param extension 
     354     *            of the model to store 
     355     */ 
     356    @SuppressWarnings( 
     357        { "unchecked", "rawtypes" }) 
     358    public void storeResourceContents(EList<EObject> contents, String outputPath, String extension) 
     359    { 
     360        // TODO: duplicated from loadResourceFromXMI => move to a more appropriate location 
     361        Resource.Factory.Registry reg = Resource.Factory.Registry.INSTANCE; 
     362        Map<String, Object> m = reg.getExtensionToFactoryMap(); 
     363        m.put(extension, resourceFactory); 
     364 
     365        ResourceSet resSet = new ResourceSetImpl(); 
     366        Resource outputResource = resSet.createResource(URI.createURI(outputPath)); 
     367        outputResource.getContents().addAll(contents); 
     368        try { 
     369            Map options = new HashMap<>(); 
     370            options.put(XMIResourceImpl.OPTION_ENCODING, "UTF-8"); 
     371            // options.put(XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF, 
     372            // XMIResourceImpl.OPTION_PROCESS_DANGLING_HREF_DISCARD); 
     373            outputResource.save(options); 
     374        } 
     375        catch (IOException e) { 
     376            e.printStackTrace(); 
     377        } 
     378    } 
    319379 
    320380} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/eval/AbstractWekaEvaluation.java

    r35 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.eval; 
    216 
     
    1731 
    1832/** 
    19  * Base class for the evaluation of results of classifiers compatible with the {@link Classifier} interface. 
    20  * For each classifier, the following metrics are calculated: 
     33 * Base class for the evaluation of results of classifiers compatible with the {@link Classifier} 
     34 * interface. For each classifier, the following metrics are calculated: 
    2135 * <ul> 
    22  *  <li>succHe: Success with recall>0.7, precision>0.5</li> 
    23  *  <li>succZi: Success with recall>0.7, precision>0.7</li> 
    24  *  <li>succG75: Success with gscore>0.75</li> 
    25  *  <li>succG60: Success with gscore>0.6</li> 
    26  *  <li>error</li> 
    27  *  <li>recall</li> 
    28  *  <li>precision</li> 
    29  *  <li>fscore</li> 
    30  *  <li>gscore</li> 
    31  *  <li>AUC</li> 
    32  *  <li>AUCEC (weighted by LOC, if applicable; 0.0 if LOC not available)</li> 
    33  *  <li>tpr: true positive rate</li> 
    34  *  <li>tnr: true negative rate</li> 
    35  *  <li>tp: true positives</li> 
    36  *  <li>fp: false positives</li> 
    37  *  <li>tn: true negatives</li> 
    38  *  <li>fn: false negatives</li> 
    39  *  <li>errortrain: training error</li> 
    40  *  <li>recalltrain: training recall</li> 
    41  *  <li>precisiontrain: training precision</li> 
    42  *  <li>succHetrain: training success with recall>0.7 and precision>0.5 
    43  * </ul>  
     36 * <li>succHe: Success with recall>0.7, precision>0.5</li> 
     37 * <li>succZi: Success with recall>0.7, precision>0.7</li> 
     38 * <li>succG75: Success with gscore>0.75</li> 
     39 * <li>succG60: Success with gscore>0.6</li> 
     40 * <li>error</li> 
     41 * <li>recall</li> 
     42 * <li>precision</li> 
     43 * <li>fscore</li> 
     44 * <li>gscore</li> 
     45 * <li>AUC</li> 
     46 * <li>AUCEC (weighted by LOC, if applicable; 0.0 if LOC not available)</li> 
     47 * <li>tpr: true positive rate</li> 
     48 * <li>tnr: true negative rate</li> 
     49 * <li>tp: true positives</li> 
     50 * <li>fp: false positives</li> 
     51 * <li>tn: true negatives</li> 
     52 * <li>fn: false negatives</li> 
     53 * <li>errortrain: training error</li> 
     54 * <li>recalltrain: training recall</li> 
     55 * <li>precisiontrain: training precision</li> 
     56 * <li>succHetrain: training success with recall>0.7 and precision>0.5 
     57 * </ul> 
     58 *  
    4459 * @author Steffen Herbold 
    4560 */ 
    4661public abstract class AbstractWekaEvaluation implements IEvaluationStrategy { 
    4762 
    48         /** 
    49          * writer for the evaluation results 
    50          */ 
    51         private PrintWriter output = new PrintWriter(System.out); 
    52          
    53         private boolean outputIsSystemOut = true; 
    54          
    55         /** 
    56          * Creates the weka evaluator. Allows the creation of the evaluator in different ways, e.g., for cross-validation 
    57          * or evaluation on the test data. 
    58          * @param testdata test data 
    59          * @param classifier classifier used 
    60          * @return evaluator 
    61          */ 
    62         protected abstract Evaluation createEvaluator(Instances testdata, Classifier classifier); 
    63          
    64         /* 
    65          * (non-Javadoc) 
    66          * @see de.ugoe.cs.cpdp.eval.EvaluationStrategy#apply(weka.core.Instances, weka.core.Instances, java.util.List, boolean) 
    67          */ 
    68         @Override 
    69         public void apply(Instances testdata, Instances traindata, List<ITrainer> trainers, 
    70                         boolean writeHeader) { 
    71                 final List<Classifier> classifiers = new LinkedList<Classifier>(); 
    72                 for( ITrainer trainer : trainers ) { 
    73                         if( trainer instanceof IWekaCompatibleTrainer ) { 
    74                                 classifiers.add(((IWekaCompatibleTrainer) trainer).getClassifier()); 
    75                         } else { 
    76                                 throw new RuntimeException("The selected evaluator only support Weka classifiers"); 
    77                         } 
    78                 } 
    79                  
    80                 if( writeHeader ) { 
    81                         output.append("version,size_test,size_training"); 
    82                         for( ITrainer trainer : trainers ) { 
    83                                 output.append(",succHe_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    84                                 output.append(",succZi_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    85                                 output.append(",succG75_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    86                                 output.append(",succG60_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    87                                 output.append(",error_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    88                                 output.append(",recall_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    89                                 output.append(",precision_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    90                                 output.append(",fscore_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    91                                 output.append(",gscore_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    92                                 output.append(",mcc_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    93                                 output.append(",auc_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    94                                 output.append(",aucec_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    95                                 output.append(",tpr_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    96                                 output.append(",tnr_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    97                                 output.append(",tp_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    98                                 output.append(",fn_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    99                                 output.append(",tn_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    100                                 output.append(",fp_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    101                                 output.append(",trainerror_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    102                                 output.append(",trainrecall_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    103                                 output.append(",trainprecision_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    104                                 output.append(",trainsuccHe_" + ((IWekaCompatibleTrainer) trainer).getName()); 
    105                         } 
    106                         output.append(StringTools.ENDLINE); 
    107                 } 
    108                  
    109                 output.append(testdata.relationName()); 
    110                 output.append("," + testdata.numInstances());    
    111                 output.append("," + traindata.numInstances()); 
    112                  
    113                 Evaluation eval = null; 
    114                 Evaluation evalTrain = null; 
    115                 for( Classifier classifier : classifiers ) { 
    116                         eval = createEvaluator(testdata, classifier); 
    117                         evalTrain = createEvaluator(traindata, classifier); 
    118                          
    119                         double pf = eval.numFalsePositives(1)/(eval.numFalsePositives(1)+eval.numTrueNegatives(1)); 
    120                         double gmeasure = 2*eval.recall(1)*(1.0-pf)/(eval.recall(1)+(1.0-pf)); 
    121                         double mcc = (eval.numTruePositives(1)*eval.numTrueNegatives(1)-eval.numFalsePositives(1)*eval.numFalseNegatives(1))/Math.sqrt((eval.numTruePositives(1)+eval.numFalsePositives(1))*(eval.numTruePositives(1)+eval.numFalseNegatives(1))*(eval.numTrueNegatives(1)+eval.numFalsePositives(1))*(eval.numTrueNegatives(1)+eval.numFalseNegatives(1))); 
    122                         double aucec = calculateReviewEffort(testdata, classifier); 
    123                          
    124                         if( eval.recall(1)>=0.7 && eval.precision(1) >= 0.5 ) { 
    125                                 output.append(",1"); 
    126                         } else { 
    127                                 output.append(",0"); 
    128                         } 
    129                          
    130                         if( eval.recall(1)>=0.7 && eval.precision(1) >= 0.7 ) { 
    131                                 output.append(",1"); 
    132                         } else { 
    133                                 output.append(",0"); 
    134                         } 
    135                          
    136                         if( gmeasure>0.75 ) { 
    137                                 output.append(",1"); 
    138                         } else { 
    139                                 output.append(",0"); 
    140                         } 
    141                          
    142                         if( gmeasure>0.6 ) { 
    143                                 output.append(",1"); 
    144                         } else { 
    145                                 output.append(",0"); 
    146                         } 
    147                          
    148                         output.append("," + eval.errorRate()); 
    149                         output.append("," + eval.recall(1)); 
    150                         output.append("," + eval.precision(1)); 
    151                         output.append("," + eval.fMeasure(1)); 
    152                         output.append("," + gmeasure); 
    153                         output.append("," + mcc); 
    154                         output.append("," + eval.areaUnderROC(1)); 
    155                         output.append("," + aucec); 
    156                         output.append("," + eval.truePositiveRate(1)); 
    157                         output.append("," + eval.trueNegativeRate(1)); 
    158                         output.append("," + eval.numTruePositives(1)); 
    159                         output.append("," + eval.numFalseNegatives(1)); 
    160                         output.append("," + eval.numTrueNegatives(1)); 
    161                         output.append("," + eval.numFalsePositives(1)); 
    162                         output.append("," + evalTrain.errorRate()); 
    163                         output.append("," + evalTrain.recall(1)); 
    164                         output.append("," + evalTrain.precision(1)); 
    165                         if( evalTrain.recall(1)>=0.7 && evalTrain.precision(1) >= 0.5 ) { 
    166                                 output.append(",1"); 
    167                         } else { 
    168                                 output.append(",0"); 
    169                         } 
    170                 } 
    171                  
    172                 output.append(StringTools.ENDLINE); 
    173                 output.flush(); 
    174         } 
    175          
    176         private double calculateReviewEffort(Instances testdata, Classifier classifier) { 
    177                  
    178                 final Attribute loc = testdata.attribute("loc"); 
    179                 if( loc==null ) { 
    180                         return 0.0; 
    181                 } 
    182                                  
    183                 final List<Integer> bugPredicted = new ArrayList<>(); 
    184                 final List<Integer> nobugPredicted = new ArrayList<>();  
    185                 double totalLoc = 0.0d; 
    186                 int totalBugs = 0; 
    187                 for( int i=0 ; i<testdata.numInstances() ; i++ ) { 
    188                         try { 
    189                                 if( Double.compare(classifier.classifyInstance(testdata.instance(i)),0.0d)==0 ) { 
    190                                         nobugPredicted.add(i); 
    191                                 } else { 
    192                                         bugPredicted.add(i); 
    193                                 } 
    194                         } catch (Exception e) { 
    195                                 throw new RuntimeException("unexpected error during the evaluation of the review effort", e); 
    196                         } 
    197                         if(Double.compare(testdata.instance(i).classValue(),1.0d)==0) { 
    198                                 totalBugs++; 
    199                         } 
    200                         totalLoc += testdata.instance(i).value(loc); 
    201                 } 
    202                  
    203                 final List<Double> reviewLoc = new ArrayList<>(testdata.numInstances()); 
    204                 final List<Double> bugsFound = new ArrayList<>(testdata.numInstances()); 
    205                  
    206                 double currentBugsFound = 0; 
    207                  
    208                 while( !bugPredicted.isEmpty() ) { 
    209                         double minLoc = Double.MAX_VALUE; 
    210                         int minIndex = -1; 
    211                         for( int i=0 ; i<bugPredicted.size() ; i++ ) { 
    212                                 double currentLoc = testdata.instance(bugPredicted.get(i)).value(loc); 
    213                                 if( currentLoc<minLoc ) { 
    214                                         minIndex = i; 
    215                                         minLoc = currentLoc; 
    216                                 } 
    217                         } 
    218                         if( minIndex!=-1 ) { 
    219                                 reviewLoc.add(minLoc/totalLoc); 
    220                                  
    221                                 currentBugsFound += testdata.instance(bugPredicted.get(minIndex)).classValue(); 
    222                                 bugsFound.add(currentBugsFound); 
    223                                  
    224                                 bugPredicted.remove(minIndex); 
    225                         } else { 
    226                                 throw new RuntimeException("Shouldn't happen!"); 
    227                         } 
    228                 } 
    229                  
    230                 while( !nobugPredicted.isEmpty() ) { 
    231                         double minLoc = Double.MAX_VALUE; 
    232                         int minIndex = -1; 
    233                         for( int i=0 ; i<nobugPredicted.size() ; i++ ) { 
    234                                 double currentLoc = testdata.instance(nobugPredicted.get(i)).value(loc); 
    235                                 if( currentLoc<minLoc ) { 
    236                                         minIndex = i; 
    237                                         minLoc = currentLoc; 
    238                                 } 
    239                         } 
    240                         if( minIndex!=-1 ) {                             
    241                                 reviewLoc.add(minLoc/totalLoc); 
    242                                  
    243                                 currentBugsFound += testdata.instance(nobugPredicted.get(minIndex)).classValue(); 
    244                                 bugsFound.add(currentBugsFound); 
    245                                 nobugPredicted.remove(minIndex); 
    246                         } else { 
    247                                 throw new RuntimeException("Shouldn't happen!"); 
    248                         } 
    249                 } 
    250                  
    251                 double auc = 0.0; 
    252                 for( int i=0 ; i<bugsFound.size() ; i++ ) { 
    253                         auc += reviewLoc.get(i)*bugsFound.get(i)/totalBugs; 
    254                 } 
    255                  
    256                 return auc; 
    257         } 
    258  
    259         /* 
    260          * (non-Javadoc) 
    261          * @see de.ugoe.cs.cpdp.Parameterizable#setParameter(java.lang.String) 
    262          */ 
    263         @Override 
    264         public void setParameter(String parameters) { 
    265                 if( output!=null && !outputIsSystemOut ) { 
    266                         output.close(); 
    267                 } 
    268                 if( "system.out".equals(parameters) || "".equals(parameters) ) { 
    269                         output = new PrintWriter(System.out); 
    270                         outputIsSystemOut = true; 
    271                 } else { 
    272                         try { 
    273                                 output = new PrintWriter(new FileOutputStream(parameters)); 
    274                                 outputIsSystemOut = false; 
    275                         } catch (FileNotFoundException e) { 
    276                                 throw new RuntimeException(e); 
    277                         } 
    278                 } 
    279         } 
     63    /** 
     64     * writer for the evaluation results 
     65     */ 
     66    private PrintWriter output = new PrintWriter(System.out); 
     67 
     68    private boolean outputIsSystemOut = true; 
     69 
     70    /** 
     71     * Creates the weka evaluator. Allows the creation of the evaluator in different ways, e.g., for 
     72     * cross-validation or evaluation on the test data. 
     73     *  
     74     * @param testdata 
     75     *            test data 
     76     * @param classifier 
     77     *            classifier used 
     78     * @return evaluator 
     79     */ 
     80    protected abstract Evaluation createEvaluator(Instances testdata, Classifier classifier); 
     81 
     82    /* 
     83     * (non-Javadoc) 
     84     *  
     85     * @see de.ugoe.cs.cpdp.eval.EvaluationStrategy#apply(weka.core.Instances, weka.core.Instances, 
     86     * java.util.List, boolean) 
     87     */ 
     88    @Override 
     89    public void apply(Instances testdata, 
     90                      Instances traindata, 
     91                      List<ITrainer> trainers, 
     92                      boolean writeHeader) 
     93    { 
     94        final List<Classifier> classifiers = new LinkedList<Classifier>(); 
     95        for (ITrainer trainer : trainers) { 
     96            if (trainer instanceof IWekaCompatibleTrainer) { 
     97                classifiers.add(((IWekaCompatibleTrainer) trainer).getClassifier()); 
     98            } 
     99            else { 
     100                throw new RuntimeException("The selected evaluator only support Weka classifiers"); 
     101            } 
     102        } 
     103 
     104        if (writeHeader) { 
     105            output.append("version,size_test,size_training"); 
     106            for (ITrainer trainer : trainers) { 
     107                output.append(",succHe_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     108                output.append(",succZi_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     109                output.append(",succG75_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     110                output.append(",succG60_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     111                output.append(",error_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     112                output.append(",recall_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     113                output.append(",precision_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     114                output.append(",fscore_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     115                output.append(",gscore_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     116                output.append(",mcc_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     117                output.append(",auc_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     118                output.append(",aucec_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     119                output.append(",tpr_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     120                output.append(",tnr_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     121                output.append(",tp_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     122                output.append(",fn_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     123                output.append(",tn_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     124                output.append(",fp_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     125                output.append(",trainerror_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     126                output.append(",trainrecall_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     127                output.append(",trainprecision_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     128                output.append(",trainsuccHe_" + ((IWekaCompatibleTrainer) trainer).getName()); 
     129            } 
     130            output.append(StringTools.ENDLINE); 
     131        } 
     132 
     133        output.append(testdata.relationName()); 
     134        output.append("," + testdata.numInstances()); 
     135        output.append("," + traindata.numInstances()); 
     136 
     137        Evaluation eval = null; 
     138        Evaluation evalTrain = null; 
     139        for (Classifier classifier : classifiers) { 
     140            eval = createEvaluator(testdata, classifier); 
     141            evalTrain = createEvaluator(traindata, classifier); 
     142 
     143            double pf = 
     144                eval.numFalsePositives(1) / (eval.numFalsePositives(1) + eval.numTrueNegatives(1)); 
     145            double gmeasure = 2 * eval.recall(1) * (1.0 - pf) / (eval.recall(1) + (1.0 - pf)); 
     146            double mcc = 
     147                (eval.numTruePositives(1) * eval.numTrueNegatives(1) - eval.numFalsePositives(1) * 
     148                    eval.numFalseNegatives(1)) / 
     149                    Math.sqrt((eval.numTruePositives(1) + eval.numFalsePositives(1)) * 
     150                        (eval.numTruePositives(1) + eval.numFalseNegatives(1)) * 
     151                        (eval.numTrueNegatives(1) + eval.numFalsePositives(1)) * 
     152                        (eval.numTrueNegatives(1) + eval.numFalseNegatives(1))); 
     153            double aucec = calculateReviewEffort(testdata, classifier); 
     154 
     155            if (eval.recall(1) >= 0.7 && eval.precision(1) >= 0.5) { 
     156                output.append(",1"); 
     157            } 
     158            else { 
     159                output.append(",0"); 
     160            } 
     161 
     162            if (eval.recall(1) >= 0.7 && eval.precision(1) >= 0.7) { 
     163                output.append(",1"); 
     164            } 
     165            else { 
     166                output.append(",0"); 
     167            } 
     168 
     169            if (gmeasure > 0.75) { 
     170                output.append(",1"); 
     171            } 
     172            else { 
     173                output.append(",0"); 
     174            } 
     175 
     176            if (gmeasure > 0.6) { 
     177                output.append(",1"); 
     178            } 
     179            else { 
     180                output.append(",0"); 
     181            } 
     182 
     183            output.append("," + eval.errorRate()); 
     184            output.append("," + eval.recall(1)); 
     185            output.append("," + eval.precision(1)); 
     186            output.append("," + eval.fMeasure(1)); 
     187            output.append("," + gmeasure); 
     188            output.append("," + mcc); 
     189            output.append("," + eval.areaUnderROC(1)); 
     190            output.append("," + aucec); 
     191            output.append("," + eval.truePositiveRate(1)); 
     192            output.append("," + eval.trueNegativeRate(1)); 
     193            output.append("," + eval.numTruePositives(1)); 
     194            output.append("," + eval.numFalseNegatives(1)); 
     195            output.append("," + eval.numTrueNegatives(1)); 
     196            output.append("," + eval.numFalsePositives(1)); 
     197            output.append("," + evalTrain.errorRate()); 
     198            output.append("," + evalTrain.recall(1)); 
     199            output.append("," + evalTrain.precision(1)); 
     200            if (evalTrain.recall(1) >= 0.7 && evalTrain.precision(1) >= 0.5) { 
     201                output.append(",1"); 
     202            } 
     203            else { 
     204                output.append(",0"); 
     205            } 
     206        } 
     207 
     208        output.append(StringTools.ENDLINE); 
     209        output.flush(); 
     210    } 
     211 
     212    private double calculateReviewEffort(Instances testdata, Classifier classifier) { 
     213 
     214        final Attribute loc = testdata.attribute("loc"); 
     215        if (loc == null) { 
     216            return 0.0; 
     217        } 
     218 
     219        final List<Integer> bugPredicted = new ArrayList<>(); 
     220        final List<Integer> nobugPredicted = new ArrayList<>(); 
     221        double totalLoc = 0.0d; 
     222        int totalBugs = 0; 
     223        for (int i = 0; i < testdata.numInstances(); i++) { 
     224            try { 
     225                if (Double.compare(classifier.classifyInstance(testdata.instance(i)), 0.0d) == 0) { 
     226                    nobugPredicted.add(i); 
     227                } 
     228                else { 
     229                    bugPredicted.add(i); 
     230                } 
     231            } 
     232            catch (Exception e) { 
     233                throw new RuntimeException( 
     234                                           "unexpected error during the evaluation of the review effort", 
     235                                           e); 
     236            } 
     237            if (Double.compare(testdata.instance(i).classValue(), 1.0d) == 0) { 
     238                totalBugs++; 
     239            } 
     240            totalLoc += testdata.instance(i).value(loc); 
     241        } 
     242 
     243        final List<Double> reviewLoc = new ArrayList<>(testdata.numInstances()); 
     244        final List<Double> bugsFound = new ArrayList<>(testdata.numInstances()); 
     245 
     246        double currentBugsFound = 0; 
     247 
     248        while (!bugPredicted.isEmpty()) { 
     249            double minLoc = Double.MAX_VALUE; 
     250            int minIndex = -1; 
     251            for (int i = 0; i < bugPredicted.size(); i++) { 
     252                double currentLoc = testdata.instance(bugPredicted.get(i)).value(loc); 
     253                if (currentLoc < minLoc) { 
     254                    minIndex = i; 
     255                    minLoc = currentLoc; 
     256                } 
     257            } 
     258            if (minIndex != -1) { 
     259                reviewLoc.add(minLoc / totalLoc); 
     260 
     261                currentBugsFound += testdata.instance(bugPredicted.get(minIndex)).classValue(); 
     262                bugsFound.add(currentBugsFound); 
     263 
     264                bugPredicted.remove(minIndex); 
     265            } 
     266            else { 
     267                throw new RuntimeException("Shouldn't happen!"); 
     268            } 
     269        } 
     270 
     271        while (!nobugPredicted.isEmpty()) { 
     272            double minLoc = Double.MAX_VALUE; 
     273            int minIndex = -1; 
     274            for (int i = 0; i < nobugPredicted.size(); i++) { 
     275                double currentLoc = testdata.instance(nobugPredicted.get(i)).value(loc); 
     276                if (currentLoc < minLoc) { 
     277                    minIndex = i; 
     278                    minLoc = currentLoc; 
     279                } 
     280            } 
     281            if (minIndex != -1) { 
     282                reviewLoc.add(minLoc / totalLoc); 
     283 
     284                currentBugsFound += testdata.instance(nobugPredicted.get(minIndex)).classValue(); 
     285                bugsFound.add(currentBugsFound); 
     286                nobugPredicted.remove(minIndex); 
     287            } 
     288            else { 
     289                throw new RuntimeException("Shouldn't happen!"); 
     290            } 
     291        } 
     292 
     293        double auc = 0.0; 
     294        for (int i = 0; i < bugsFound.size(); i++) { 
     295            auc += reviewLoc.get(i) * bugsFound.get(i) / totalBugs; 
     296        } 
     297 
     298        return auc; 
     299    } 
     300 
     301    /* 
     302     * (non-Javadoc) 
     303     *  
     304     * @see de.ugoe.cs.cpdp.Parameterizable#setParameter(java.lang.String) 
     305     */ 
     306    @Override 
     307    public void setParameter(String parameters) { 
     308        if (output != null && !outputIsSystemOut) { 
     309            output.close(); 
     310        } 
     311        if ("system.out".equals(parameters) || "".equals(parameters)) { 
     312            output = new PrintWriter(System.out); 
     313            outputIsSystemOut = true; 
     314        } 
     315        else { 
     316            try { 
     317                output = new PrintWriter(new FileOutputStream(parameters)); 
     318                outputIsSystemOut = false; 
     319            } 
     320            catch (FileNotFoundException e) { 
     321                throw new RuntimeException(e); 
     322            } 
     323        } 
     324    } 
    280325} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/eval/CVWekaEvaluation.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.eval; 
    216 
     
    1226/** 
    1327 * Implements the {@link AbstractWekaEvaluation} for 10-fold cross validation. 
     28 *  
    1429 * @author Steffen Herbold 
    1530 */ 
    1631public class CVWekaEvaluation extends AbstractWekaEvaluation { 
    17          
    18         /** 
    19          * @see de.ugoe.cs.cpdp.eval.AbstractWekaEvaluation#createEvaluator(weka.core.Instances, weka.classifiers.Classifier) 
    20          */ 
    21         @Override 
    22         protected Evaluation createEvaluator(Instances testdata, Classifier classifier) { 
    23                 PrintStream errStr      = System.err; 
    24                 System.setErr(new PrintStream(new NullOutputStream())); 
    25                 try { 
    26                         final Evaluation eval = new Evaluation(testdata); 
    27                         eval.crossValidateModel(classifier, testdata, 10, new Random(1)); 
    28                         return eval; 
    29                 } catch (Exception e) { 
    30                         throw new RuntimeException(e); 
    31                 } finally { 
    32                         System.setErr(errStr); 
    33                 } 
    34         } 
     32 
     33    /** 
     34     * @see de.ugoe.cs.cpdp.eval.AbstractWekaEvaluation#createEvaluator(weka.core.Instances, 
     35     *      weka.classifiers.Classifier) 
     36     */ 
     37    @Override 
     38    protected Evaluation createEvaluator(Instances testdata, Classifier classifier) { 
     39        PrintStream errStr = System.err; 
     40        System.setErr(new PrintStream(new NullOutputStream())); 
     41        try { 
     42            final Evaluation eval = new Evaluation(testdata); 
     43            eval.crossValidateModel(classifier, testdata, 10, new Random(1)); 
     44            return eval; 
     45        } 
     46        catch (Exception e) { 
     47            throw new RuntimeException(e); 
     48        } 
     49        finally { 
     50            System.setErr(errStr); 
     51        } 
     52    } 
    3553 
    3654} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/eval/IEvaluationStrategy.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.eval; 
    216 
     
    923 
    1024/** 
    11  * Interface for evaluation strategies to evaluate the performance of classifiers.  
     25 * Interface for evaluation strategies to evaluate the performance of classifiers. 
     26 *  
    1227 * @author Steffen Herbold 
    1328 */ 
    1429public interface IEvaluationStrategy extends IParameterizable { 
    1530 
    16         /** 
    17          * Applies the evaluation strategy.  
    18          * @param testdata test data for the evaluation 
    19          * @param traindata training data used 
    20          * @param trainers list of training algorithms used to train the classifiers 
    21          * @param writeHeader if true, a header line for the results file is written (may not be applicable) 
    22          */ 
    23         void apply(Instances testdata, Instances traindata, List<ITrainer> trainers, boolean writeHeader); 
     31    /** 
     32     * Applies the evaluation strategy. 
     33     *  
     34     * @param testdata 
     35     *            test data for the evaluation 
     36     * @param traindata 
     37     *            training data used 
     38     * @param trainers 
     39     *            list of training algorithms used to train the classifiers 
     40     * @param writeHeader 
     41     *            if true, a header line for the results file is written (may not be applicable) 
     42     */ 
     43    void apply(Instances testdata, Instances traindata, List<ITrainer> trainers, boolean writeHeader); 
    2444} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/eval/NormalWekaEvaluation.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.eval; 
    216 
     
    721/** 
    822 * Implements the {@link AbstractWekaEvaluation} for evaluation on the test data. 
     23 *  
    924 * @author Steffen Herbold 
    10  * 
     25 *  
    1126 */ 
    1227public class NormalWekaEvaluation extends AbstractWekaEvaluation { 
    1328 
    14         /** 
    15          * @see de.ugoe.cs.cpdp.eval.AbstractWekaEvaluation#createEvaluator(weka.core.Instances, weka.classifiers.Classifier) 
    16          */ 
    17         @Override 
    18         protected Evaluation createEvaluator(Instances testdata, Classifier classifier) { 
    19                 try { 
    20                         final Evaluation eval = new Evaluation(testdata); 
    21                         eval.evaluateModel(classifier, testdata); 
    22                         return eval; 
    23                 } catch (Exception e) { 
    24                         throw new RuntimeException(e); 
    25                 } 
    26         } 
     29    /** 
     30     * @see de.ugoe.cs.cpdp.eval.AbstractWekaEvaluation#createEvaluator(weka.core.Instances, 
     31     *      weka.classifiers.Classifier) 
     32     */ 
     33    @Override 
     34    protected Evaluation createEvaluator(Instances testdata, Classifier classifier) { 
     35        try { 
     36            final Evaluation eval = new Evaluation(testdata); 
     37            eval.evaluateModel(classifier, testdata); 
     38            return eval; 
     39        } 
     40        catch (Exception e) { 
     41            throw new RuntimeException(e); 
     42        } 
     43    } 
    2744} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/execution/ClassifierCreationExperiment.java

    r33 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.execution; 
    216 
     
    1933 
    2034/** 
    21  * Class responsible for executing an experiment according to an {@link ExperimentConfiguration}. The steps  
    22  * of this ClassifierCreationExperiment are as follows: 
     35 * Class responsible for executing an experiment according to an {@link ExperimentConfiguration}. 
     36 * The steps of this ClassifierCreationExperiment are as follows: 
    2337 * <ul> 
    24  *  <li>load the data from the provided data path</li> 
    25  *  <li>check if given resultsdir exists, if not create one</li> 
    26  *  <li>execute the following steps for each data set: 
    27  *  <ul> 
    28  *   <li>load the dataset</li> 
    29  *   <li>set testdata == traindata</li> 
    30  *   <li>preprocess the data</li> 
    31  *   <li>postprocess the data</li> 
    32  *   <li>for each configured trainer do the following:</li> 
    33  *   <ul> 
    34  *      <li>if the classifier should be saved, train it with the dataset</li> 
    35  *      <li>save it in the results dir</li> 
    36  *      <li>For each configured evaluator: Do the evaluation and save results</li> 
    37  *   </ul> 
    38  *  </ul> 
     38 * <li>load the data from the provided data path</li> 
     39 * <li>check if given resultsdir exists, if not create one</li> 
     40 * <li>execute the following steps for each data set: 
     41 * <ul> 
     42 * <li>load the dataset</li> 
     43 * <li>set testdata == traindata</li> 
     44 * <li>preprocess the data</li> 
     45 * <li>postprocess the data</li> 
     46 * <li>for each configured trainer do the following:</li> 
     47 * <ul> 
     48 * <li>if the classifier should be saved, train it with the dataset</li> 
     49 * <li>save it in the results dir</li> 
     50 * <li>For each configured evaluator: Do the evaluation and save results</li> 
    3951 * </ul> 
    40  *    
    41  * Note that this class implements {@link IExectuionStrategy}, i.e., each experiment can be started  
     52 * </ul> 
     53 * </ul> 
     54 *  
     55 * Note that this class implements {@link IExectuionStrategy}, i.e., each experiment can be started 
    4256 * in its own thread. 
    4357 *  
     
    4660public class ClassifierCreationExperiment implements IExecutionStrategy { 
    4761 
    48         /** 
    49          * configuration of the experiment 
    50          */ 
    51         private final ExperimentConfiguration config; 
    52          
    53         /** 
    54          * Constructor. Creates a new experiment based on a configuration. 
    55          * @param config configuration of the experiment 
    56          */ 
    57         public ClassifierCreationExperiment(ExperimentConfiguration config) { 
    58                 this.config = config; 
    59         } 
    60          
    61         /** 
    62          * Executes the experiment with the steps as described in the class comment. 
    63          * @see Runnable#run()  
    64          */ 
    65         @Override 
    66         public void run() { 
    67                 final List<SoftwareVersion> versions = new LinkedList<>(); 
    68                  
    69                 boolean writeHeader = true; 
    70                  
    71                 for(IVersionLoader loader : config.getLoaders()) { 
    72                         versions.addAll(loader.load()); 
    73                 } 
    74          
     62    /** 
     63     * configuration of the experiment 
     64     */ 
     65    private final ExperimentConfiguration config; 
    7566 
    76                 File resultsDir = new File(config.getResultsPath()); 
    77                 if (!resultsDir.exists()) { 
    78                         resultsDir.mkdir(); 
    79                 } 
    80                  
    81                  
    82                 int versionCount = 1; 
    83                 for( SoftwareVersion testVersion : versions ) { 
    84                          
    85                         // At first: traindata == testdata 
    86                         Instances testdata = testVersion.getInstances(); 
    87                         Instances traindata = new Instances(testdata); 
    88                          
    89                         // Give the dataset a new name 
    90                         testdata.setRelationName(testVersion.getProject()); 
    91                          
    92                         for( IProcessesingStrategy processor : config.getPreProcessors() ) { 
    93                                 Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying preprocessor %s", config.getExperimentName(), versionCount, versions.size(), testVersion.getProject(), processor.getClass().getName())); 
    94                                 processor.apply(testdata, traindata); 
    95                         } 
    96                          
    97                         for( IPointWiseDataselectionStrategy dataselector : config.getPointWiseSelectors() ) { 
    98                                 Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying pointwise selection %s", config.getExperimentName(), versionCount, versions.size(), testVersion.getProject(), dataselector.getClass().getName())); 
    99                                 traindata = dataselector.apply(testdata, traindata); 
    100                         } 
    101                          
    102                         for( IProcessesingStrategy processor : config.getPostProcessors() ) { 
    103                                 Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", config.getExperimentName(), versionCount, versions.size(), testVersion.getProject(), processor.getClass().getName())); 
    104                                 processor.apply(testdata, traindata); 
    105                         } 
    106                          
    107                  
    108                          
    109                          
    110                         // Trainerlist for evaluation later on 
    111                         List<ITrainer> allTrainers = new LinkedList<>(); 
    112                          
    113                         for( ITrainingStrategy trainer : config.getTrainers() ) { 
     67    /** 
     68     * Constructor. Creates a new experiment based on a configuration. 
     69     *  
     70     * @param config 
     71     *            configuration of the experiment 
     72     */ 
     73    public ClassifierCreationExperiment(ExperimentConfiguration config) { 
     74        this.config = config; 
     75    } 
    11476 
    115                                 // Add trainer to list for evaluation 
    116                                 allTrainers.add(trainer); 
    117                                  
    118                                 // Train classifier 
    119                                 trainer.apply(traindata); 
    120                                  
    121                                 if(config.getSaveClassifier()) { 
    122                                         // If classifier should be saved, train him and save him 
    123                                         // be careful with typecasting here! 
    124                                         IWekaCompatibleTrainer trainerToSave = (IWekaCompatibleTrainer) trainer; 
    125                                         //Console.println(trainerToSave.getClassifier().toString()); 
    126                                         try { 
    127                                                 weka.core.SerializationHelper.write(resultsDir.getAbsolutePath()+"/"+trainer.getName()+"-"+testVersion.getProject(), trainerToSave.getClassifier()); 
    128                                         } catch (Exception e) { 
    129                                                 e.printStackTrace(); 
    130                                         } 
    131                                          
    132                                 } 
    133                         } 
    134                          
    135                          
    136                          
    137                         for( IEvaluationStrategy evaluator : config.getEvaluators() ) { 
    138                                 Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying evaluator %s", config.getExperimentName(), versionCount, versions.size(), testVersion.getProject(), evaluator.getClass().getName())); 
     77    /** 
     78     * Executes the experiment with the steps as described in the class comment. 
     79     *  
     80     * @see Runnable#run() 
     81     */ 
     82    @Override 
     83    public void run() { 
     84        final List<SoftwareVersion> versions = new LinkedList<>(); 
    13985 
    140                                 if( writeHeader ) { 
    141                                         evaluator.setParameter(config.getResultsPath() + "/" + config.getExperimentName() + ".csv"); 
    142                                 } 
    143                                 evaluator.apply(testdata, traindata, allTrainers, writeHeader); 
    144                                 writeHeader = false; 
    145                         } 
    146                          
    147                         versionCount++; 
    148                          
    149                         Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: finished", config.getExperimentName(), versionCount, versions.size(), testVersion.getProject())); 
    150                          
    151                 } 
    152                  
    153         } 
    154          
     86        boolean writeHeader = true; 
     87 
     88        for (IVersionLoader loader : config.getLoaders()) { 
     89            versions.addAll(loader.load()); 
     90        } 
     91 
     92        File resultsDir = new File(config.getResultsPath()); 
     93        if (!resultsDir.exists()) { 
     94            resultsDir.mkdir(); 
     95        } 
     96 
     97        int versionCount = 1; 
     98        for (SoftwareVersion testVersion : versions) { 
     99 
     100            // At first: traindata == testdata 
     101            Instances testdata = testVersion.getInstances(); 
     102            Instances traindata = new Instances(testdata); 
     103 
     104            // Give the dataset a new name 
     105            testdata.setRelationName(testVersion.getProject()); 
     106 
     107            for (IProcessesingStrategy processor : config.getPreProcessors()) { 
     108                Console.traceln(Level.FINE, String 
     109                    .format("[%s] [%02d/%02d] %s: applying preprocessor %s", 
     110                            config.getExperimentName(), versionCount, versions.size(), 
     111                            testVersion.getProject(), processor.getClass().getName())); 
     112                processor.apply(testdata, traindata); 
     113            } 
     114 
     115            for (IPointWiseDataselectionStrategy dataselector : config.getPointWiseSelectors()) { 
     116                Console.traceln(Level.FINE, String 
     117                    .format("[%s] [%02d/%02d] %s: applying pointwise selection %s", 
     118                            config.getExperimentName(), versionCount, versions.size(), 
     119                            testVersion.getProject(), dataselector.getClass().getName())); 
     120                traindata = dataselector.apply(testdata, traindata); 
     121            } 
     122 
     123            for (IProcessesingStrategy processor : config.getPostProcessors()) { 
     124                Console.traceln(Level.FINE, String 
     125                    .format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", 
     126                            config.getExperimentName(), versionCount, versions.size(), 
     127                            testVersion.getProject(), processor.getClass().getName())); 
     128                processor.apply(testdata, traindata); 
     129            } 
     130 
     131            // Trainerlist for evaluation later on 
     132            List<ITrainer> allTrainers = new LinkedList<>(); 
     133 
     134            for (ITrainingStrategy trainer : config.getTrainers()) { 
     135 
     136                // Add trainer to list for evaluation 
     137                allTrainers.add(trainer); 
     138 
     139                // Train classifier 
     140                trainer.apply(traindata); 
     141 
     142                if (config.getSaveClassifier()) { 
     143                    // If classifier should be saved, train him and save him 
     144                    // be careful with typecasting here! 
     145                    IWekaCompatibleTrainer trainerToSave = (IWekaCompatibleTrainer) trainer; 
     146                    // Console.println(trainerToSave.getClassifier().toString()); 
     147                    try { 
     148                        weka.core.SerializationHelper.write(resultsDir.getAbsolutePath() + "/" + 
     149                                                                trainer.getName() + "-" + 
     150                                                                testVersion.getProject(), 
     151                                                            trainerToSave.getClassifier()); 
     152                    } 
     153                    catch (Exception e) { 
     154                        e.printStackTrace(); 
     155                    } 
     156 
     157                } 
     158            } 
     159 
     160            for (IEvaluationStrategy evaluator : config.getEvaluators()) { 
     161                Console.traceln(Level.FINE, String 
     162                    .format("[%s] [%02d/%02d] %s: applying evaluator %s", 
     163                            config.getExperimentName(), versionCount, versions.size(), 
     164                            testVersion.getProject(), evaluator.getClass().getName())); 
     165 
     166                if (writeHeader) { 
     167                    evaluator.setParameter(config.getResultsPath() + "/" + 
     168                        config.getExperimentName() + ".csv"); 
     169                } 
     170                evaluator.apply(testdata, traindata, allTrainers, writeHeader); 
     171                writeHeader = false; 
     172            } 
     173 
     174            versionCount++; 
     175 
     176            Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: finished", 
     177                                                      config.getExperimentName(), versionCount, 
     178                                                      versions.size(), testVersion.getProject())); 
     179 
     180        } 
     181 
     182    } 
     183 
    155184} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/execution/CrossProjectExperiment.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.execution; 
    216 
     
    2539 
    2640/** 
    27  * Class responsible for executing an experiment according to an {@link ExperimentConfiguration}. The steps of an experiment are as follows: 
     41 * Class responsible for executing an experiment according to an {@link ExperimentConfiguration}. 
     42 * The steps of an experiment are as follows: 
    2843 * <ul> 
    29  *  <li>load the data from the provided data path</li> 
    30  *  <li>filter the data sets according to the provided version filters</li> 
    31  *  <li>execute the following steps for each data sets as test data that is not ignored through the test version filter: 
    32  *  <ul> 
    33  *   <li>filter the data sets to setup the candidate training data: 
    34  *   <ul> 
    35  *    <li>remove all data sets from the same project</li> 
    36  *    <li>filter all data sets according to the training data filter 
    37  *   </ul></li> 
    38  *   <li>apply the setwise preprocessors</li> 
    39  *   <li>apply the setwise data selection algorithms</li> 
    40  *   <li>apply the setwise postprocessors</li> 
    41  *   <li>train the setwise training classifiers</li> 
    42  *   <li>unify all remaining training data into one data set</li> 
    43  *   <li>apply the preprocessors</li> 
    44  *   <li>apply the pointwise data selection algorithms</li> 
    45  *   <li>apply the postprocessors</li> 
    46  *   <li>train the normal classifiers</li> 
    47  *   <li>evaluate the results for all trained classifiers on the training data</li> 
    48  *  </ul></li> 
     44 * <li>load the data from the provided data path</li> 
     45 * <li>filter the data sets according to the provided version filters</li> 
     46 * <li>execute the following steps for each data sets as test data that is not ignored through the 
     47 * test version filter: 
     48 * <ul> 
     49 * <li>filter the data sets to setup the candidate training data: 
     50 * <ul> 
     51 * <li>remove all data sets from the same project</li> 
     52 * <li>filter all data sets according to the training data filter 
     53 * </ul> 
     54 * </li> 
     55 * <li>apply the setwise preprocessors</li> 
     56 * <li>apply the setwise data selection algorithms</li> 
     57 * <li>apply the setwise postprocessors</li> 
     58 * <li>train the setwise training classifiers</li> 
     59 * <li>unify all remaining training data into one data set</li> 
     60 * <li>apply the preprocessors</li> 
     61 * <li>apply the pointwise data selection algorithms</li> 
     62 * <li>apply the postprocessors</li> 
     63 * <li>train the normal classifiers</li> 
     64 * <li>evaluate the results for all trained classifiers on the training data</li> 
     65 * </ul> 
     66 * </li> 
    4967 * </ul> 
    5068 *  
    51  * Note that this class implements {@link Runnable}, i.e., each experiment can be started in its own thread. 
     69 * Note that this class implements {@link Runnable}, i.e., each experiment can be started in its own 
     70 * thread. 
     71 *  
    5272 * @author Steffen Herbold 
    5373 */ 
    5474public class CrossProjectExperiment implements IExecutionStrategy { 
    5575 
    56         /** 
    57          * configuration of the experiment 
    58          */ 
    59         private final ExperimentConfiguration config; 
    60          
    61         /** 
    62          * Constructor. Creates a new experiment based on a configuration. 
    63          * @param config configuration of the experiment 
    64          */ 
    65         public CrossProjectExperiment(ExperimentConfiguration config) { 
    66                 this.config = config; 
    67         } 
    68          
    69         /** 
    70          * Executes the experiment with the steps as described in the class comment. 
    71          * @see Runnable#run()  
    72          */ 
    73         @Override 
    74         public void run() { 
    75                 final List<SoftwareVersion> versions = new LinkedList<>(); 
    76                  
    77                 for(IVersionLoader loader : config.getLoaders()) { 
    78                         versions.addAll(loader.load()); 
    79                 } 
    80                  
    81                 for( IVersionFilter filter : config.getVersionFilters() ) { 
    82                         filter.apply(versions); 
    83                 } 
    84                 boolean writeHeader = true; 
    85                 int versionCount = 1; 
    86                 int testVersionCount = 0; 
    87                  
    88                 for( SoftwareVersion testVersion : versions ) { 
    89                         if( isVersion(testVersion, config.getTestVersionFilters()) ) { 
    90                                 testVersionCount++; 
    91                         } 
    92                 } 
    93                  
    94                 // sort versions 
    95                 Collections.sort(versions); 
    96                  
    97                 for( SoftwareVersion testVersion : versions ) { 
    98                         if( isVersion(testVersion, config.getTestVersionFilters()) ) { 
    99                                 Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: starting", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion())); 
    100                                  
    101                                 // Setup testdata and training data 
    102                                 Instances testdata = testVersion.getInstances(); 
    103                                 String testProject = testVersion.getProject(); 
    104                                 SetUniqueList<Instances> traindataSet = SetUniqueList.setUniqueList(new LinkedList<Instances>()); 
    105                                 for( SoftwareVersion trainingVersion : versions ) { 
    106                                         if( isVersion(trainingVersion, config.getTrainingVersionFilters()) ) { 
    107                                                 if( trainingVersion!=testVersion ) { 
    108                                                         if( !trainingVersion.getProject().equals(testProject) ) { 
    109                                                                 traindataSet.add(trainingVersion.getInstances()); 
    110                                                         } 
    111                                                 } 
    112                                         } 
    113                                 } 
    114                                  
    115                                 for( ISetWiseProcessingStrategy processor : config.getSetWisePreprocessors() ) { 
    116                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise preprocessor %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), processor.getClass().getName())); 
    117                                         processor.apply(testdata, traindataSet); 
    118                                 } 
    119                                 for( ISetWiseDataselectionStrategy dataselector : config.getSetWiseSelectors() ) { 
    120                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise selection %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), dataselector.getClass().getName())); 
    121                                         dataselector.apply(testdata, traindataSet); 
    122                                 } 
    123                                 for( ISetWiseProcessingStrategy processor : config.getSetWisePostprocessors() ) { 
    124                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), processor.getClass().getName())); 
    125                                         processor.apply(testdata, traindataSet); 
    126                                 } 
    127                                 for( ISetWiseTrainingStrategy setwiseTrainer : config.getSetWiseTrainers() ) { 
    128                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise trainer %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), setwiseTrainer.getName())); 
    129                                         setwiseTrainer.apply(traindataSet); 
    130                                 } 
    131                                 Instances traindata = makeSingleTrainingSet(traindataSet); 
    132                                 for( IProcessesingStrategy processor : config.getPreProcessors() ) { 
    133                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying preprocessor %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), processor.getClass().getName())); 
    134                                         processor.apply(testdata, traindata); 
    135                                 } 
    136                                 for( IPointWiseDataselectionStrategy dataselector : config.getPointWiseSelectors() ) { 
    137                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying pointwise selection %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), dataselector.getClass().getName())); 
    138                                         traindata = dataselector.apply(testdata, traindata); 
    139                                 } 
    140                                 for( IProcessesingStrategy processor : config.getPostProcessors() ) { 
    141                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), processor.getClass().getName())); 
    142                                         processor.apply(testdata, traindata); 
    143                                 } 
    144                                 for( ITrainingStrategy trainer : config.getTrainers() ) { 
    145                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying trainer %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), trainer.getName())); 
    146                                         trainer.apply(traindata); 
    147                                 } 
    148                                 File resultsDir = new File(config.getResultsPath()); 
    149                                 if (!resultsDir.exists()) { 
    150                                         resultsDir.mkdir(); 
    151                                 } 
    152                                 for( IEvaluationStrategy evaluator : config.getEvaluators() ) { 
    153                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying evaluator %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), evaluator.getClass().getName())); 
    154                                         List<ITrainer> allTrainers = new LinkedList<>(); 
    155                                         for( ISetWiseTrainingStrategy setwiseTrainer : config.getSetWiseTrainers() ) { 
    156                                                 allTrainers.add(setwiseTrainer); 
    157                                         } 
    158                                         for( ITrainingStrategy trainer : config.getTrainers() ) { 
    159                                                 allTrainers.add(trainer); 
    160                                         } 
    161                                         if( writeHeader ) { 
    162                                                 evaluator.setParameter(config.getResultsPath() + "/" + config.getExperimentName() + ".csv"); 
    163                                         } 
    164                                         evaluator.apply(testdata, traindata, allTrainers, writeHeader); 
    165                                         writeHeader = false; 
    166                                 } 
    167                                 Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: finished", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion())); 
    168                                 versionCount++; 
    169                         } 
    170                 } 
    171         } 
    172          
    173         /** 
    174          * Helper method that checks if a version passes all filters. 
    175          * @param version version that is checked 
    176          * @param filters list of the filters 
    177          * @return true, if the version passes all filters, false otherwise 
    178          */ 
    179         private boolean isVersion(SoftwareVersion version, List<IVersionFilter> filters) { 
    180                 boolean result = true; 
    181                 for( IVersionFilter filter : filters) { 
    182                         result &= !filter.apply(version); 
    183                 } 
    184                 return result; 
    185         } 
    186  
    187         /** 
    188          * Helper method that combines a set of Weka {@link Instances} sets into a single {@link Instances} set. 
    189          * @param traindataSet set of {@link Instances} to be combines 
    190          * @return single {@link Instances} set 
    191          */ 
    192         public static Instances makeSingleTrainingSet(SetUniqueList<Instances> traindataSet) { 
    193                 Instances traindataFull = null; 
    194                 for( Instances traindata : traindataSet) { 
    195                         if( traindataFull==null ) { 
    196                                 traindataFull = new Instances(traindata); 
    197                         } else { 
    198                                 for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    199                                         traindataFull.add(traindata.instance(i)); 
    200                                 } 
    201                         } 
    202                 } 
    203                 return traindataFull; 
    204         } 
     76    /** 
     77     * configuration of the experiment 
     78     */ 
     79    private final ExperimentConfiguration config; 
     80 
     81    /** 
     82     * Constructor. Creates a new experiment based on a configuration. 
     83     *  
     84     * @param config 
     85     *            configuration of the experiment 
     86     */ 
     87    public CrossProjectExperiment(ExperimentConfiguration config) { 
     88        this.config = config; 
     89    } 
     90 
     91    /** 
     92     * Executes the experiment with the steps as described in the class comment. 
     93     *  
     94     * @see Runnable#run() 
     95     */ 
     96    @Override 
     97    public void run() { 
     98        final List<SoftwareVersion> versions = new LinkedList<>(); 
     99 
     100        for (IVersionLoader loader : config.getLoaders()) { 
     101            versions.addAll(loader.load()); 
     102        } 
     103 
     104        for (IVersionFilter filter : config.getVersionFilters()) { 
     105            filter.apply(versions); 
     106        } 
     107        boolean writeHeader = true; 
     108        int versionCount = 1; 
     109        int testVersionCount = 0; 
     110 
     111        for (SoftwareVersion testVersion : versions) { 
     112            if (isVersion(testVersion, config.getTestVersionFilters())) { 
     113                testVersionCount++; 
     114            } 
     115        } 
     116 
     117        // sort versions 
     118        Collections.sort(versions); 
     119 
     120        for (SoftwareVersion testVersion : versions) { 
     121            if (isVersion(testVersion, config.getTestVersionFilters())) { 
     122                Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: starting", 
     123                                                          config.getExperimentName(), versionCount, 
     124                                                          testVersionCount, 
     125                                                          testVersion.getVersion())); 
     126 
     127                // Setup testdata and training data 
     128                Instances testdata = testVersion.getInstances(); 
     129                String testProject = testVersion.getProject(); 
     130                SetUniqueList<Instances> traindataSet = 
     131                    SetUniqueList.setUniqueList(new LinkedList<Instances>()); 
     132                for (SoftwareVersion trainingVersion : versions) { 
     133                    if (isVersion(trainingVersion, config.getTrainingVersionFilters())) { 
     134                        if (trainingVersion != testVersion) { 
     135                            if (!trainingVersion.getProject().equals(testProject)) { 
     136                                traindataSet.add(trainingVersion.getInstances()); 
     137                            } 
     138                        } 
     139                    } 
     140                } 
     141 
     142                for (ISetWiseProcessingStrategy processor : config.getSetWisePreprocessors()) { 
     143                    Console.traceln(Level.FINE, String 
     144                        .format("[%s] [%02d/%02d] %s: applying setwise preprocessor %s", 
     145                                config.getExperimentName(), versionCount, testVersionCount, 
     146                                testVersion.getVersion(), processor.getClass().getName())); 
     147                    processor.apply(testdata, traindataSet); 
     148                } 
     149                for (ISetWiseDataselectionStrategy dataselector : config.getSetWiseSelectors()) { 
     150                    Console.traceln(Level.FINE, String 
     151                        .format("[%s] [%02d/%02d] %s: applying setwise selection %s", 
     152                                config.getExperimentName(), versionCount, testVersionCount, 
     153                                testVersion.getVersion(), dataselector.getClass().getName())); 
     154                    dataselector.apply(testdata, traindataSet); 
     155                } 
     156                for (ISetWiseProcessingStrategy processor : config.getSetWisePostprocessors()) { 
     157                    Console.traceln(Level.FINE, String 
     158                        .format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", 
     159                                config.getExperimentName(), versionCount, testVersionCount, 
     160                                testVersion.getVersion(), processor.getClass().getName())); 
     161                    processor.apply(testdata, traindataSet); 
     162                } 
     163                for (ISetWiseTrainingStrategy setwiseTrainer : config.getSetWiseTrainers()) { 
     164                    Console.traceln(Level.FINE, String 
     165                        .format("[%s] [%02d/%02d] %s: applying setwise trainer %s", 
     166                                config.getExperimentName(), versionCount, testVersionCount, 
     167                                testVersion.getVersion(), setwiseTrainer.getName())); 
     168                    setwiseTrainer.apply(traindataSet); 
     169                } 
     170                Instances traindata = makeSingleTrainingSet(traindataSet); 
     171                for (IProcessesingStrategy processor : config.getPreProcessors()) { 
     172                    Console.traceln(Level.FINE, String 
     173                        .format("[%s] [%02d/%02d] %s: applying preprocessor %s", 
     174                                config.getExperimentName(), versionCount, testVersionCount, 
     175                                testVersion.getVersion(), processor.getClass().getName())); 
     176                    processor.apply(testdata, traindata); 
     177                } 
     178                for (IPointWiseDataselectionStrategy dataselector : config.getPointWiseSelectors()) 
     179                { 
     180                    Console.traceln(Level.FINE, String 
     181                        .format("[%s] [%02d/%02d] %s: applying pointwise selection %s", 
     182                                config.getExperimentName(), versionCount, testVersionCount, 
     183                                testVersion.getVersion(), dataselector.getClass().getName())); 
     184                    traindata = dataselector.apply(testdata, traindata); 
     185                } 
     186                for (IProcessesingStrategy processor : config.getPostProcessors()) { 
     187                    Console.traceln(Level.FINE, String 
     188                        .format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", 
     189                                config.getExperimentName(), versionCount, testVersionCount, 
     190                                testVersion.getVersion(), processor.getClass().getName())); 
     191                    processor.apply(testdata, traindata); 
     192                } 
     193                for (ITrainingStrategy trainer : config.getTrainers()) { 
     194                    Console.traceln(Level.FINE, String 
     195                        .format("[%s] [%02d/%02d] %s: applying trainer %s", 
     196                                config.getExperimentName(), versionCount, testVersionCount, 
     197                                testVersion.getVersion(), trainer.getName())); 
     198                    trainer.apply(traindata); 
     199                } 
     200                File resultsDir = new File(config.getResultsPath()); 
     201                if (!resultsDir.exists()) { 
     202                    resultsDir.mkdir(); 
     203                } 
     204                for (IEvaluationStrategy evaluator : config.getEvaluators()) { 
     205                    Console.traceln(Level.FINE, String 
     206                        .format("[%s] [%02d/%02d] %s: applying evaluator %s", 
     207                                config.getExperimentName(), versionCount, testVersionCount, 
     208                                testVersion.getVersion(), evaluator.getClass().getName())); 
     209                    List<ITrainer> allTrainers = new LinkedList<>(); 
     210                    for (ISetWiseTrainingStrategy setwiseTrainer : config.getSetWiseTrainers()) { 
     211                        allTrainers.add(setwiseTrainer); 
     212                    } 
     213                    for (ITrainingStrategy trainer : config.getTrainers()) { 
     214                        allTrainers.add(trainer); 
     215                    } 
     216                    if (writeHeader) { 
     217                        evaluator.setParameter(config.getResultsPath() + "/" + 
     218                            config.getExperimentName() + ".csv"); 
     219                    } 
     220                    evaluator.apply(testdata, traindata, allTrainers, writeHeader); 
     221                    writeHeader = false; 
     222                } 
     223                Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: finished", 
     224                                                          config.getExperimentName(), versionCount, 
     225                                                          testVersionCount, 
     226                                                          testVersion.getVersion())); 
     227                versionCount++; 
     228            } 
     229        } 
     230    } 
     231 
     232    /** 
     233     * Helper method that checks if a version passes all filters. 
     234     *  
     235     * @param version 
     236     *            version that is checked 
     237     * @param filters 
     238     *            list of the filters 
     239     * @return true, if the version passes all filters, false otherwise 
     240     */ 
     241    private boolean isVersion(SoftwareVersion version, List<IVersionFilter> filters) { 
     242        boolean result = true; 
     243        for (IVersionFilter filter : filters) { 
     244            result &= !filter.apply(version); 
     245        } 
     246        return result; 
     247    } 
     248 
     249    /** 
     250     * Helper method that combines a set of Weka {@link Instances} sets into a single 
     251     * {@link Instances} set. 
     252     *  
     253     * @param traindataSet 
     254     *            set of {@link Instances} to be combines 
     255     * @return single {@link Instances} set 
     256     */ 
     257    public static Instances makeSingleTrainingSet(SetUniqueList<Instances> traindataSet) { 
     258        Instances traindataFull = null; 
     259        for (Instances traindata : traindataSet) { 
     260            if (traindataFull == null) { 
     261                traindataFull = new Instances(traindata); 
     262            } 
     263            else { 
     264                for (int i = 0; i < traindata.numInstances(); i++) { 
     265                    traindataFull.add(traindata.instance(i)); 
     266                } 
     267            } 
     268        } 
     269        return traindataFull; 
     270    } 
    205271} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/execution/IExecutionStrategy.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.execution; 
    216 
     
    418 
    519/** 
    6  * Interface that must be implemented from the different experiments  
    7  * (e.g. ClassifierCreationExeperiment) to be runnable by {@link Runner} 
     20 * Interface that must be implemented from the different experiments (e.g. 
     21 * ClassifierCreationExeperiment) to be runnable by {@link Runner} 
    822 *  
    923 * @author Fabian Trautsch 
    10  * 
     24 *  
    1125 */ 
    12 public interface IExecutionStrategy extends Runnable{ 
     26public interface IExecutionStrategy extends Runnable { 
    1327 
    1428} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/execution/RelaxedCrossProjectExperiment.java

    r39 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.execution; 
    216 
     
    2539 
    2640/** 
    27  * Class responsible for executing an experiment according to an {@link ExperimentConfiguration}. The steps of an experiment are as follows: 
     41 * Class responsible for executing an experiment according to an {@link ExperimentConfiguration}. 
     42 * The steps of an experiment are as follows: 
    2843 * <ul> 
    29  *  <li>load the data from the provided data path</li> 
    30  *  <li>filter the data sets according to the provided version filters</li> 
    31  *  <li>execute the following steps for each data sets as test data that is not ignored through the test version filter: 
    32  *  <ul> 
    33  *   <li>filter the data sets to setup the candidate training data: 
    34  *   <ul> 
    35  *    <li>filter all data sets according to the training data filter 
    36  *   </ul></li> 
    37  *   <li>apply the setwise preprocessors</li> 
    38  *   <li>apply the setwise data selection algorithms</li> 
    39  *   <li>apply the setwise postprocessors</li> 
    40  *   <li>train the setwise training classifiers</li> 
    41  *   <li>unify all remaining training data into one data set</li> 
    42  *   <li>apply the preprocessors</li> 
    43  *   <li>apply the pointwise data selection algorithms</li> 
    44  *   <li>apply the postprocessors</li> 
    45  *   <li>train the normal classifiers</li> 
    46  *   <li>evaluate the results for all trained classifiers on the training data</li> 
    47  *  </ul></li> 
     44 * <li>load the data from the provided data path</li> 
     45 * <li>filter the data sets according to the provided version filters</li> 
     46 * <li>execute the following steps for each data sets as test data that is not ignored through the 
     47 * test version filter: 
     48 * <ul> 
     49 * <li>filter the data sets to setup the candidate training data: 
     50 * <ul> 
     51 * <li>filter all data sets according to the training data filter 
     52 * </ul> 
     53 * </li> 
     54 * <li>apply the setwise preprocessors</li> 
     55 * <li>apply the setwise data selection algorithms</li> 
     56 * <li>apply the setwise postprocessors</li> 
     57 * <li>train the setwise training classifiers</li> 
     58 * <li>unify all remaining training data into one data set</li> 
     59 * <li>apply the preprocessors</li> 
     60 * <li>apply the pointwise data selection algorithms</li> 
     61 * <li>apply the postprocessors</li> 
     62 * <li>train the normal classifiers</li> 
     63 * <li>evaluate the results for all trained classifiers on the training data</li> 
     64 * </ul> 
     65 * </li> 
    4866 * </ul> 
    4967 *  
    50  * Note that this class implements {@link Runnable}, i.e., each experiment can be started in its own thread. 
     68 * Note that this class implements {@link Runnable}, i.e., each experiment can be started in its own 
     69 * thread. 
     70 *  
    5171 * @author Steffen Herbold 
    5272 */ 
    5373public class RelaxedCrossProjectExperiment implements IExecutionStrategy { 
    5474 
    55         /** 
    56          * configuration of the experiment 
    57          */ 
    58         private final ExperimentConfiguration config; 
    59          
    60         /** 
    61          * Constructor. Creates a new experiment based on a configuration. 
    62          * @param config configuration of the experiment 
    63          */ 
    64         public RelaxedCrossProjectExperiment(ExperimentConfiguration config) { 
    65                 this.config = config; 
    66         } 
    67          
    68         /** 
    69          * Executes the experiment with the steps as described in the class comment. 
    70          * @see Runnable#run()  
    71          */ 
    72         @Override 
    73         public void run() { 
    74                 final List<SoftwareVersion> versions = new LinkedList<>(); 
    75                  
    76                 for(IVersionLoader loader : config.getLoaders()) { 
    77                         versions.addAll(loader.load()); 
    78                 } 
    79                  
    80                 for( IVersionFilter filter : config.getVersionFilters() ) { 
    81                         filter.apply(versions); 
    82                 } 
    83                 boolean writeHeader = true; 
    84                 int versionCount = 1; 
    85                 int testVersionCount = 0; 
    86                  
    87                 for( SoftwareVersion testVersion : versions ) { 
    88                         if( isVersion(testVersion, config.getTestVersionFilters()) ) { 
    89                                 testVersionCount++; 
    90                         } 
    91                 } 
    92                  
    93                 // sort versions 
    94                 Collections.sort(versions); 
    95                  
    96                 for( SoftwareVersion testVersion : versions ) { 
    97                         if( isVersion(testVersion, config.getTestVersionFilters()) ) { 
    98                                 Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: starting", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion())); 
    99                                  
    100                                 // Setup testdata and training data 
    101                                 Instances testdata = testVersion.getInstances(); 
    102                                 String testProject = testVersion.getProject(); 
    103                                 SetUniqueList<Instances> traindataSet = SetUniqueList.setUniqueList(new LinkedList<Instances>()); 
    104                                 for( SoftwareVersion trainingVersion : versions ) { 
    105                                         if( isVersion(trainingVersion, config.getTrainingVersionFilters()) ) { 
    106                                                 if( trainingVersion!=testVersion ) { 
    107                                                         if( trainingVersion.getProject().equals(testProject) ) { 
    108                                                                 if( trainingVersion.compareTo(testVersion)<0 ) { 
    109                                                                         // only add if older 
    110                                                                         traindataSet.add(trainingVersion.getInstances()); 
    111                                                                 } 
    112                                                         } else { 
    113                                                                 traindataSet.add(trainingVersion.getInstances()); 
    114                                                         } 
    115                                                 } 
    116                                         } 
    117                                 } 
    118                                  
    119                                 for( ISetWiseProcessingStrategy processor : config.getSetWisePreprocessors() ) { 
    120                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise preprocessor %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), processor.getClass().getName())); 
    121                                         processor.apply(testdata, traindataSet); 
    122                                 } 
    123                                 for( ISetWiseDataselectionStrategy dataselector : config.getSetWiseSelectors() ) { 
    124                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise selection %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), dataselector.getClass().getName())); 
    125                                         dataselector.apply(testdata, traindataSet); 
    126                                 } 
    127                                 for( ISetWiseProcessingStrategy processor : config.getSetWisePostprocessors() ) { 
    128                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), processor.getClass().getName())); 
    129                                         processor.apply(testdata, traindataSet); 
    130                                 } 
    131                                 for( ISetWiseTrainingStrategy setwiseTrainer : config.getSetWiseTrainers() ) { 
    132                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise trainer %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), setwiseTrainer.getName())); 
    133                                         setwiseTrainer.apply(traindataSet); 
    134                                 } 
    135                                 Instances traindata = makeSingleTrainingSet(traindataSet); 
    136                                 for( IProcessesingStrategy processor : config.getPreProcessors() ) { 
    137                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying preprocessor %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), processor.getClass().getName())); 
    138                                         processor.apply(testdata, traindata); 
    139                                 } 
    140                                 for( IPointWiseDataselectionStrategy dataselector : config.getPointWiseSelectors() ) { 
    141                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying pointwise selection %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), dataselector.getClass().getName())); 
    142                                         traindata = dataselector.apply(testdata, traindata); 
    143                                 } 
    144                                 for( IProcessesingStrategy processor : config.getPostProcessors() ) { 
    145                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), processor.getClass().getName())); 
    146                                         processor.apply(testdata, traindata); 
    147                                 } 
    148                                 for( ITrainingStrategy trainer : config.getTrainers() ) { 
    149                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying trainer %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), trainer.getName())); 
    150                                         trainer.apply(traindata); 
    151                                 } 
    152                                 File resultsDir = new File(config.getResultsPath()); 
    153                                 if (!resultsDir.exists()) { 
    154                                         resultsDir.mkdir(); 
    155                                 } 
    156                                 for( IEvaluationStrategy evaluator : config.getEvaluators() ) { 
    157                                         Console.traceln(Level.FINE, String.format("[%s] [%02d/%02d] %s: applying evaluator %s", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion(), evaluator.getClass().getName())); 
    158                                         List<ITrainer> allTrainers = new LinkedList<>(); 
    159                                         for( ISetWiseTrainingStrategy setwiseTrainer : config.getSetWiseTrainers() ) { 
    160                                                 allTrainers.add(setwiseTrainer); 
    161                                         } 
    162                                         for( ITrainingStrategy trainer : config.getTrainers() ) { 
    163                                                 allTrainers.add(trainer); 
    164                                         } 
    165                                         if( writeHeader ) { 
    166                                                 evaluator.setParameter(config.getResultsPath() + "/" + config.getExperimentName() + ".csv"); 
    167                                         } 
    168                                         evaluator.apply(testdata, traindata, allTrainers, writeHeader); 
    169                                         writeHeader = false; 
    170                                 } 
    171                                 Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: finished", config.getExperimentName(), versionCount, testVersionCount, testVersion.getVersion())); 
    172                                 versionCount++; 
    173                         } 
    174                 } 
    175         } 
    176          
    177         /** 
    178          * Helper method that checks if a version passes all filters. 
    179          * @param version version that is checked 
    180          * @param filters list of the filters 
    181          * @return true, if the version passes all filters, false otherwise 
    182          */ 
    183         private boolean isVersion(SoftwareVersion version, List<IVersionFilter> filters) { 
    184                 boolean result = true; 
    185                 for( IVersionFilter filter : filters) { 
    186                         result &= !filter.apply(version); 
    187                 } 
    188                 return result; 
    189         } 
    190  
    191         /** 
    192          * Helper method that combines a set of Weka {@link Instances} sets into a single {@link Instances} set. 
    193          * @param traindataSet set of {@link Instances} to be combines 
    194          * @return single {@link Instances} set 
    195          */ 
    196         public static Instances makeSingleTrainingSet(SetUniqueList<Instances> traindataSet) { 
    197                 Instances traindataFull = null; 
    198                 for( Instances traindata : traindataSet) { 
    199                         if( traindataFull==null ) { 
    200                                 traindataFull = new Instances(traindata); 
    201                         } else { 
    202                                 for( int i=0 ; i<traindata.numInstances() ; i++ ) { 
    203                                         traindataFull.add(traindata.instance(i)); 
    204                                 } 
    205                         } 
    206                 } 
    207                 return traindataFull; 
    208         } 
     75    /** 
     76     * configuration of the experiment 
     77     */ 
     78    private final ExperimentConfiguration config; 
     79 
     80    /** 
     81     * Constructor. Creates a new experiment based on a configuration. 
     82     *  
     83     * @param config 
     84     *            configuration of the experiment 
     85     */ 
     86    public RelaxedCrossProjectExperiment(ExperimentConfiguration config) { 
     87        this.config = config; 
     88    } 
     89 
     90    /** 
     91     * Executes the experiment with the steps as described in the class comment. 
     92     *  
     93     * @see Runnable#run() 
     94     */ 
     95    @Override 
     96    public void run() { 
     97        final List<SoftwareVersion> versions = new LinkedList<>(); 
     98 
     99        for (IVersionLoader loader : config.getLoaders()) { 
     100            versions.addAll(loader.load()); 
     101        } 
     102 
     103        for (IVersionFilter filter : config.getVersionFilters()) { 
     104            filter.apply(versions); 
     105        } 
     106        boolean writeHeader = true; 
     107        int versionCount = 1; 
     108        int testVersionCount = 0; 
     109 
     110        for (SoftwareVersion testVersion : versions) { 
     111            if (isVersion(testVersion, config.getTestVersionFilters())) { 
     112                testVersionCount++; 
     113            } 
     114        } 
     115 
     116        // sort versions 
     117        Collections.sort(versions); 
     118 
     119        for (SoftwareVersion testVersion : versions) { 
     120            if (isVersion(testVersion, config.getTestVersionFilters())) { 
     121                Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: starting", 
     122                                                          config.getExperimentName(), versionCount, 
     123                                                          testVersionCount, 
     124                                                          testVersion.getVersion())); 
     125 
     126                // Setup testdata and training data 
     127                Instances testdata = testVersion.getInstances(); 
     128                String testProject = testVersion.getProject(); 
     129                SetUniqueList<Instances> traindataSet = 
     130                    SetUniqueList.setUniqueList(new LinkedList<Instances>()); 
     131                for (SoftwareVersion trainingVersion : versions) { 
     132                    if (isVersion(trainingVersion, config.getTrainingVersionFilters())) { 
     133                        if (trainingVersion != testVersion) { 
     134                            if (trainingVersion.getProject().equals(testProject)) { 
     135                                if (trainingVersion.compareTo(testVersion) < 0) { 
     136                                    // only add if older 
     137                                    traindataSet.add(trainingVersion.getInstances()); 
     138                                } 
     139                            } 
     140                            else { 
     141                                traindataSet.add(trainingVersion.getInstances()); 
     142                            } 
     143                        } 
     144                    } 
     145                } 
     146 
     147                for (ISetWiseProcessingStrategy processor : config.getSetWisePreprocessors()) { 
     148                    Console.traceln(Level.FINE, String 
     149                        .format("[%s] [%02d/%02d] %s: applying setwise preprocessor %s", 
     150                                config.getExperimentName(), versionCount, testVersionCount, 
     151                                testVersion.getVersion(), processor.getClass().getName())); 
     152                    processor.apply(testdata, traindataSet); 
     153                } 
     154                for (ISetWiseDataselectionStrategy dataselector : config.getSetWiseSelectors()) { 
     155                    Console.traceln(Level.FINE, String 
     156                        .format("[%s] [%02d/%02d] %s: applying setwise selection %s", 
     157                                config.getExperimentName(), versionCount, testVersionCount, 
     158                                testVersion.getVersion(), dataselector.getClass().getName())); 
     159                    dataselector.apply(testdata, traindataSet); 
     160                } 
     161                for (ISetWiseProcessingStrategy processor : config.getSetWisePostprocessors()) { 
     162                    Console.traceln(Level.FINE, String 
     163                        .format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", 
     164                                config.getExperimentName(), versionCount, testVersionCount, 
     165                                testVersion.getVersion(), processor.getClass().getName())); 
     166                    processor.apply(testdata, traindataSet); 
     167                } 
     168                for (ISetWiseTrainingStrategy setwiseTrainer : config.getSetWiseTrainers()) { 
     169                    Console.traceln(Level.FINE, String 
     170                        .format("[%s] [%02d/%02d] %s: applying setwise trainer %s", 
     171                                config.getExperimentName(), versionCount, testVersionCount, 
     172                                testVersion.getVersion(), setwiseTrainer.getName())); 
     173                    setwiseTrainer.apply(traindataSet); 
     174                } 
     175                Instances traindata = makeSingleTrainingSet(traindataSet); 
     176                for (IProcessesingStrategy processor : config.getPreProcessors()) { 
     177                    Console.traceln(Level.FINE, String 
     178                        .format("[%s] [%02d/%02d] %s: applying preprocessor %s", 
     179                                config.getExperimentName(), versionCount, testVersionCount, 
     180                                testVersion.getVersion(), processor.getClass().getName())); 
     181                    processor.apply(testdata, traindata); 
     182                } 
     183                for (IPointWiseDataselectionStrategy dataselector : config.getPointWiseSelectors()) 
     184                { 
     185                    Console.traceln(Level.FINE, String 
     186                        .format("[%s] [%02d/%02d] %s: applying pointwise selection %s", 
     187                                config.getExperimentName(), versionCount, testVersionCount, 
     188                                testVersion.getVersion(), dataselector.getClass().getName())); 
     189                    traindata = dataselector.apply(testdata, traindata); 
     190                } 
     191                for (IProcessesingStrategy processor : config.getPostProcessors()) { 
     192                    Console.traceln(Level.FINE, String 
     193                        .format("[%s] [%02d/%02d] %s: applying setwise postprocessor %s", 
     194                                config.getExperimentName(), versionCount, testVersionCount, 
     195                                testVersion.getVersion(), processor.getClass().getName())); 
     196                    processor.apply(testdata, traindata); 
     197                } 
     198                for (ITrainingStrategy trainer : config.getTrainers()) { 
     199                    Console.traceln(Level.FINE, String 
     200                        .format("[%s] [%02d/%02d] %s: applying trainer %s", 
     201                                config.getExperimentName(), versionCount, testVersionCount, 
     202                                testVersion.getVersion(), trainer.getName())); 
     203                    trainer.apply(traindata); 
     204                } 
     205                File resultsDir = new File(config.getResultsPath()); 
     206                if (!resultsDir.exists()) { 
     207                    resultsDir.mkdir(); 
     208                } 
     209                for (IEvaluationStrategy evaluator : config.getEvaluators()) { 
     210                    Console.traceln(Level.FINE, String 
     211                        .format("[%s] [%02d/%02d] %s: applying evaluator %s", 
     212                                config.getExperimentName(), versionCount, testVersionCount, 
     213                                testVersion.getVersion(), evaluator.getClass().getName())); 
     214                    List<ITrainer> allTrainers = new LinkedList<>(); 
     215                    for (ISetWiseTrainingStrategy setwiseTrainer : config.getSetWiseTrainers()) { 
     216                        allTrainers.add(setwiseTrainer); 
     217                    } 
     218                    for (ITrainingStrategy trainer : config.getTrainers()) { 
     219                        allTrainers.add(trainer); 
     220                    } 
     221                    if (writeHeader) { 
     222                        evaluator.setParameter(config.getResultsPath() + "/" + 
     223                            config.getExperimentName() + ".csv"); 
     224                    } 
     225                    evaluator.apply(testdata, traindata, allTrainers, writeHeader); 
     226                    writeHeader = false; 
     227                } 
     228                Console.traceln(Level.INFO, String.format("[%s] [%02d/%02d] %s: finished", 
     229                                                          config.getExperimentName(), versionCount, 
     230                                                          testVersionCount, 
     231                                                          testVersion.getVersion())); 
     232                versionCount++; 
     233            } 
     234        } 
     235    } 
     236 
     237    /** 
     238     * Helper method that checks if a version passes all filters. 
     239     *  
     240     * @param version 
     241     *            version that is checked 
     242     * @param filters 
     243     *            list of the filters 
     244     * @return true, if the version passes all filters, false otherwise 
     245     */ 
     246    private boolean isVersion(SoftwareVersion version, List<IVersionFilter> filters) { 
     247        boolean result = true; 
     248        for (IVersionFilter filter : filters) { 
     249            result &= !filter.apply(version); 
     250        } 
     251        return result; 
     252    } 
     253 
     254    /** 
     255     * Helper method that combines a set of Weka {@link Instances} sets into a single 
     256     * {@link Instances} set. 
     257     *  
     258     * @param traindataSet 
     259     *            set of {@link Instances} to be combines 
     260     * @return single {@link Instances} set 
     261     */ 
     262    public static Instances makeSingleTrainingSet(SetUniqueList<Instances> traindataSet) { 
     263        Instances traindataFull = null; 
     264        for (Instances traindata : traindataSet) { 
     265            if (traindataFull == null) { 
     266                traindataFull = new Instances(traindata); 
     267            } 
     268            else { 
     269                for (int i = 0; i < traindata.numInstances(); i++) { 
     270                    traindataFull.add(traindata.instance(i)); 
     271                } 
     272            } 
     273        } 
     274        return traindataFull; 
     275    } 
    209276} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/ARFFFolderLoader.java

    r4 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    923public class ARFFFolderLoader extends AbstractFolderLoader { 
    1024 
    11         /* 
    12         * (non-Javadoc) 
    13         *  
    14         * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
    15         */ 
    16         @Override 
    17         protected SingleVersionLoader getSingleLoader() { 
    18                 return new ARFFLoader(); 
    19         } 
     25    /* 
     26    * (non-Javadoc) 
     27    *  
     28    * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
     29    */ 
     30    @Override 
     31    protected SingleVersionLoader getSingleLoader() { 
     32        return new ARFFLoader(); 
     33    } 
    2034} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/ARFFLoader.java

    r6 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1529public class ARFFLoader implements SingleVersionLoader { 
    1630 
    17         /* 
    18          * (non-Javadoc) 
    19          *  
    20          * @see de.ugoe.cs.cpdp.loader.SingleVersionLoader#load(java.io.File) 
    21          */ 
    22         @Override 
    23         public Instances load(File file) { 
    24                 BufferedReader reader; 
    25                 Instances data; 
    26                 try { 
    27                         reader = new BufferedReader(new FileReader(file)); 
    28                         data = new Instances(reader); 
    29                         reader.close(); 
    30                 } catch (IOException e) { 
    31                         throw new RuntimeException("error reading file: " + file.getName(), e); 
    32                 } 
     31    /* 
     32     * (non-Javadoc) 
     33     *  
     34     * @see de.ugoe.cs.cpdp.loader.SingleVersionLoader#load(java.io.File) 
     35     */ 
     36    @Override 
     37    public Instances load(File file) { 
     38        BufferedReader reader; 
     39        Instances data; 
     40        try { 
     41            reader = new BufferedReader(new FileReader(file)); 
     42            data = new Instances(reader); 
     43            reader.close(); 
     44        } 
     45        catch (IOException e) { 
     46            throw new RuntimeException("error reading file: " + file.getName(), e); 
     47        } 
    3348 
    34                 // setting class attribute 
    35                 data.setClassIndex(data.numAttributes() - 1); 
     49        // setting class attribute 
     50        data.setClassIndex(data.numAttributes() - 1); 
    3651 
    37                 return data; 
    38         } 
     52        return data; 
     53    } 
    3954 
    40         /* 
    41          * (non-Javadoc) 
    42          *  
    43          * @see 
    44          * de.ugoe.cs.cpdp.loader.SingleVersionLoader#filenameFilter(java.lang.String 
    45          * ) 
    46          */ 
    47         @Override 
    48         public boolean filenameFilter(String filename) { 
    49                 return filename.endsWith(".arff"); 
    50         } 
     55    /* 
     56     * (non-Javadoc) 
     57     *  
     58     * @see de.ugoe.cs.cpdp.loader.SingleVersionLoader#filenameFilter(java.lang.String ) 
     59     */ 
     60    @Override 
     61    public boolean filenameFilter(String filename) { 
     62        return filename.endsWith(".arff"); 
     63    } 
    5164 
    5265} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/AUDIChangeFolderLoader.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
    317public class AUDIChangeFolderLoader extends AbstractFolderLoader { 
    418 
    5         /* 
    6         * (non-Javadoc) 
    7         *  
    8         * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
    9         */ 
    10         @Override 
    11         protected SingleVersionLoader getSingleLoader() { 
    12                 return new AUDIChangeLoader(); 
    13         } 
     19    /* 
     20    * (non-Javadoc) 
     21    *  
     22    * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
     23    */ 
     24    @Override 
     25    protected SingleVersionLoader getSingleLoader() { 
     26        return new AUDIChangeLoader(); 
     27    } 
    1428} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/AUDIChangeLoader.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1529/** 
    1630 * TODO 
     31 *  
    1732 * @author sherbold 
    18  * 
     33 *  
    1934 */ 
    2035class AUDIChangeLoader implements SingleVersionLoader { 
    21          
    22         private class EntityRevisionPair implements Comparable<EntityRevisionPair> { 
    23                 private final String entity; 
    24                 private final int revision; 
    25                  
    26                 public EntityRevisionPair(String entity, int revision) { 
    27                         this.entity = entity; 
    28                         this.revision = revision; 
    29                 } 
    30                  
    31                 @Override 
    32                 public boolean equals(Object other) { 
    33                         if( !(other instanceof EntityRevisionPair) ) { 
    34                                 return false; 
    35                         } else { 
    36                                 return compareTo((EntityRevisionPair) other)==0; 
    37                         } 
    38                 } 
    39                  
    40                 @Override 
    41                 public int hashCode() { 
    42                         return entity.hashCode()+revision; 
    43                 } 
    44  
    45                 @Override 
    46                 public int compareTo(EntityRevisionPair other) { 
    47                         int strCmp = this.entity.compareTo(other.entity); 
    48                         if( strCmp!=0 ) { 
    49                                 return strCmp; 
    50                         } 
    51                         return Integer.compare(revision, other.revision); 
    52                 } 
    53                  
    54                 @Override 
    55                 public String toString() { 
    56                         return entity+"@"+revision; 
    57                 } 
    58         } 
    59  
    60         @Override 
    61         public Instances load(File file) { 
    62                 final String[] lines; 
    63                 String[] lineSplit; 
    64                 String[] lineSplitBug; 
    65                  
    66                 try { 
    67                         lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
    68                 } catch (IOException e) { 
    69                         throw new RuntimeException(e); 
    70                 } 
    71                  
    72                 // information about bugs are in another file 
    73                 String path = file.getAbsolutePath(); 
    74                 path = path.substring(0, path.length()-14) + "repro.csv"; 
    75                 final String[] linesBug; 
    76                 try { 
    77                         linesBug = FileTools.getLinesFromFile(path); 
    78                 } catch (IOException e) { 
    79                         throw new RuntimeException(e); 
    80                 } 
    81                  
    82                 int revisionIndex=-1; 
    83                 int bugIndex=-1; 
    84                 lineSplitBug = linesBug[0].split(";"); 
    85                 for( int j=0; j<lineSplitBug.length ; j++ ) { 
    86                         if( lineSplitBug[j].equals("svnrev") ) { 
    87                                 revisionIndex=j; 
    88                         } 
    89                         if( lineSplitBug[j].equals("num_bugs_trace") ) { 
    90                                 bugIndex=j; 
    91                         } 
    92                 } 
    93                 if( revisionIndex<0 ) { 
    94                         throw new RuntimeException("could not find SVN revisions"); 
    95                 } 
    96                 if( bugIndex<0 ) { 
    97                         throw new RuntimeException("could not find bug information"); 
    98                 } 
    99                  
    100                 int metricsStartIndex=-1; 
    101                 int metricsEndIndex=-1; 
    102                 lineSplit = lines[0].split(";"); 
    103                 for( int j=0; j<lineSplit.length ; j++ ) { 
    104                         if( lineSplit[j].equals("lm_LOC") ) { 
    105                                 metricsStartIndex=j; 
    106                         } 
    107                         if( lineSplit[j].equals("h_E") ) { 
    108                                 metricsEndIndex=j; 
    109                         } 
    110                 } 
    111                 if( metricsStartIndex<0 ) { 
    112                         throw new RuntimeException("could not find first metric, i.e., lm_LOC"); 
    113                 } 
    114                 if( metricsEndIndex<0 ) { 
    115                         throw new RuntimeException("could not find last metric, i.e., h_E"); 
    116                 } 
    117                 int numMetrics = metricsEndIndex-metricsStartIndex+1; 
    118                  
    119                 // create sets of all filenames and revisions 
    120                 SortedMap<EntityRevisionPair, Integer> entityRevisionPairs = new TreeMap<>(); 
    121                 for( int i=1; i<linesBug.length ; i++ ) { 
    122                         lineSplitBug = linesBug[i].split(";"); 
    123                         entityRevisionPairs.put(new EntityRevisionPair(lineSplitBug[0], Integer.parseInt(lineSplitBug[revisionIndex])), i); 
    124                 } 
    125                  
    126                  
    127                 // prepare weka instances 
    128                 final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
    129                 lineSplit = lines[0].split(";");  
    130                 for (int j = metricsStartIndex; j<=metricsEndIndex; j++) { 
    131                         atts.add(new Attribute(lineSplit[j]+"_delta")); 
    132                 } 
    133                 for (int j = metricsStartIndex; j<=metricsEndIndex; j++) { 
    134                         atts.add(new Attribute(lineSplit[j]+"_abs")); 
    135                 } 
    136                 final ArrayList<String> classAttVals = new ArrayList<String>(); 
    137                 classAttVals.add("0"); 
    138                 classAttVals.add("1"); 
    139                 final Attribute classAtt = new Attribute("bug", classAttVals); 
    140                 atts.add(classAtt); 
    141  
    142                 final Instances data = new Instances(file.getName(), atts, 0); 
    143                 data.setClass(classAtt); 
    144                  
    145                 // create data 
    146                 String lastFile = null; 
    147                 double[] lastValues = null; 
    148                 int lastNumBugs = 0; 
    149                 for( Entry<EntityRevisionPair, Integer> entry : entityRevisionPairs.entrySet() ) { 
    150                         try { 
    151                                 // first get values 
    152                                 lineSplit = lines[entry.getValue()].split(";"); 
    153                                 lineSplitBug = linesBug[entry.getValue()].split(";"); 
    154                                 int i=0; 
    155                                 double[] values = new double[numMetrics]; 
    156                                 for(int j=metricsStartIndex ; j<=metricsEndIndex ; j++ ) { 
    157                                         values[i] = Double.parseDouble(lineSplit[j]); 
    158                                         i++; 
    159                                 } 
    160                                 int numBugs = Integer.parseInt(lineSplitBug[bugIndex]); 
    161                                  
    162                                 // then check if an entity must be created 
    163                                 if( entry.getKey().entity.equals(lastFile)) { 
    164                                         // create new instance 
    165                                         double[] instanceValues = new double[2*numMetrics+1]; 
    166                                         for( int j=0; j<numMetrics; j++ ) { 
    167                                                 instanceValues[j] = values[j]-lastValues[j]; 
    168                                                 instanceValues[j+numMetrics]= values[j]; 
    169                                         } 
    170                                         // check if any value>0 
    171                                         boolean changeOccured = false; 
    172                                         for( int j=0; j<numMetrics; j++ ) { 
    173                                                 if( instanceValues[j]>0 ) { 
    174                                                         changeOccured = true; 
    175                                                 } 
    176                                         } 
    177                                         if( changeOccured ) { 
    178                                                 instanceValues[instanceValues.length-1] = numBugs<=lastNumBugs ? 0 : 1; 
    179                                                 data.add(new DenseInstance(1.0, instanceValues)); 
    180                                         } 
    181                                 } 
    182                                 lastFile = entry.getKey().entity; 
    183                                 lastValues = values; 
    184                                 lastNumBugs = numBugs; 
    185                         } catch(IllegalArgumentException e) { 
    186                                 System.err.println("error in line " + entry.getValue() + ": " + e.getMessage()); 
    187                                 System.err.println("metrics line: " + lines[entry.getValue()]); 
    188                                 System.err.println("bugs line: " + linesBug[entry.getValue()]); 
    189                                 System.err.println("line is ignored"); 
    190                         } 
    191                 } 
    192                  
    193                 return data; 
    194         } 
    195          
    196         /* 
    197          * (non-Javadoc) 
    198          *  
    199          * @see 
    200          * de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader#load( 
    201          * java.io.File) 
    202          */ 
    203          
    204         public Instances load(File file, String dummy) { 
    205                 final String[] lines; 
    206                 try { 
    207                         lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
    208                 } catch (IOException e) { 
    209                         throw new RuntimeException(e); 
    210                 } 
    211                  
    212                 // information about bugs are in another file 
    213                 String path = file.getAbsolutePath(); 
    214                 path = path.substring(0, path.length()-14) + "repro.csv"; 
    215                 final String[] linesBug; 
    216                 try { 
    217                         linesBug = FileTools.getLinesFromFile(path); 
    218                 } catch (IOException e) { 
    219                         throw new RuntimeException(e); 
    220                 } 
    221                  
    222                 // configure Instances 
    223                 final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
    224  
    225                 String[] lineSplit = lines[0].split(";"); 
    226                 // ignore first three/four and last two columns 
    227                 int offset; 
    228                 if( lineSplit[3].equals("project_rev") ) { 
    229                         offset = 4; 
    230                 } else { 
    231                         offset = 3; 
    232                 } 
    233                 for (int j = 0; j < lineSplit.length - (offset+2); j++) { 
    234                         atts.add(new Attribute(lineSplit[j + offset])); 
    235                 } 
    236                 final ArrayList<String> classAttVals = new ArrayList<String>(); 
    237                 classAttVals.add("0"); 
    238                 classAttVals.add("1"); 
    239                 final Attribute classAtt = new Attribute("bug", classAttVals); 
    240                 atts.add(classAtt); 
    241  
    242                 final Instances data = new Instances(file.getName(), atts, 0); 
    243                 data.setClass(classAtt); 
    244  
    245                 // fetch data 
    246                 for (int i = 1; i < lines.length; i++) { 
    247                         boolean validInstance = true; 
    248                         lineSplit = lines[i].split(";"); 
    249                         String[] lineSplitBug = linesBug[i].split(";"); 
    250                         double[] values = new double[data.numAttributes()]; 
    251                         for (int j = 0; validInstance && j < values.length-1; j++) { 
    252                                 if( lineSplit[j + offset].trim().isEmpty() ) { 
    253                                         validInstance = false; 
    254                                 } else { 
    255                                         values[j] = Double.parseDouble(lineSplit[j + offset].trim()); 
    256                                 } 
    257                         } 
    258                         if( offset==3 ) { 
    259                                 values[values.length - 1] = lineSplitBug[7].equals("0") ? 0 : 1; 
    260                         } else { 
    261                                 values[values.length - 1] = lineSplitBug[8].equals("0") ? 0 : 1; 
    262                         } 
    263                          
    264                         if( validInstance ) { 
    265                                 data.add(new DenseInstance(1.0, values)); 
    266                         } else { 
    267                                 System.out.println("instance " + i + " is invalid"); 
    268                         } 
    269                 } 
    270                 return data; 
    271         } 
    272  
    273         /* 
    274          * (non-Javadoc) 
    275          *  
    276          * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader# 
    277          * filenameFilter(java.lang.String) 
    278          */ 
    279         @Override 
    280         public boolean filenameFilter(String filename) { 
    281                 return filename.endsWith("src.csv"); 
    282         } 
     36 
     37    private class EntityRevisionPair implements Comparable<EntityRevisionPair> { 
     38        private final String entity; 
     39        private final int revision; 
     40 
     41        public EntityRevisionPair(String entity, int revision) { 
     42            this.entity = entity; 
     43            this.revision = revision; 
     44        } 
     45 
     46        @Override 
     47        public boolean equals(Object other) { 
     48            if (!(other instanceof EntityRevisionPair)) { 
     49                return false; 
     50            } 
     51            else { 
     52                return compareTo((EntityRevisionPair) other) == 0; 
     53            } 
     54        } 
     55 
     56        @Override 
     57        public int hashCode() { 
     58            return entity.hashCode() + revision; 
     59        } 
     60 
     61        @Override 
     62        public int compareTo(EntityRevisionPair other) { 
     63            int strCmp = this.entity.compareTo(other.entity); 
     64            if (strCmp != 0) { 
     65                return strCmp; 
     66            } 
     67            return Integer.compare(revision, other.revision); 
     68        } 
     69 
     70        @Override 
     71        public String toString() { 
     72            return entity + "@" + revision; 
     73        } 
     74    } 
     75 
     76    @Override 
     77    public Instances load(File file) { 
     78        final String[] lines; 
     79        String[] lineSplit; 
     80        String[] lineSplitBug; 
     81 
     82        try { 
     83            lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
     84        } 
     85        catch (IOException e) { 
     86            throw new RuntimeException(e); 
     87        } 
     88 
     89        // information about bugs are in another file 
     90        String path = file.getAbsolutePath(); 
     91        path = path.substring(0, path.length() - 14) + "repro.csv"; 
     92        final String[] linesBug; 
     93        try { 
     94            linesBug = FileTools.getLinesFromFile(path); 
     95        } 
     96        catch (IOException e) { 
     97            throw new RuntimeException(e); 
     98        } 
     99 
     100        int revisionIndex = -1; 
     101        int bugIndex = -1; 
     102        lineSplitBug = linesBug[0].split(";"); 
     103        for (int j = 0; j < lineSplitBug.length; j++) { 
     104            if (lineSplitBug[j].equals("svnrev")) { 
     105                revisionIndex = j; 
     106            } 
     107            if (lineSplitBug[j].equals("num_bugs_trace")) { 
     108                bugIndex = j; 
     109            } 
     110        } 
     111        if (revisionIndex < 0) { 
     112            throw new RuntimeException("could not find SVN revisions"); 
     113        } 
     114        if (bugIndex < 0) { 
     115            throw new RuntimeException("could not find bug information"); 
     116        } 
     117 
     118        int metricsStartIndex = -1; 
     119        int metricsEndIndex = -1; 
     120        lineSplit = lines[0].split(";"); 
     121        for (int j = 0; j < lineSplit.length; j++) { 
     122            if (lineSplit[j].equals("lm_LOC")) { 
     123                metricsStartIndex = j; 
     124            } 
     125            if (lineSplit[j].equals("h_E")) { 
     126                metricsEndIndex = j; 
     127            } 
     128        } 
     129        if (metricsStartIndex < 0) { 
     130            throw new RuntimeException("could not find first metric, i.e., lm_LOC"); 
     131        } 
     132        if (metricsEndIndex < 0) { 
     133            throw new RuntimeException("could not find last metric, i.e., h_E"); 
     134        } 
     135        int numMetrics = metricsEndIndex - metricsStartIndex + 1; 
     136 
     137        // create sets of all filenames and revisions 
     138        SortedMap<EntityRevisionPair, Integer> entityRevisionPairs = new TreeMap<>(); 
     139        for (int i = 1; i < linesBug.length; i++) { 
     140            lineSplitBug = linesBug[i].split(";"); 
     141            entityRevisionPairs.put(new EntityRevisionPair(lineSplitBug[0], Integer 
     142                                        .parseInt(lineSplitBug[revisionIndex])), i); 
     143        } 
     144 
     145        // prepare weka instances 
     146        final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
     147        lineSplit = lines[0].split(";"); 
     148        for (int j = metricsStartIndex; j <= metricsEndIndex; j++) { 
     149            atts.add(new Attribute(lineSplit[j] + "_delta")); 
     150        } 
     151        for (int j = metricsStartIndex; j <= metricsEndIndex; j++) { 
     152            atts.add(new Attribute(lineSplit[j] + "_abs")); 
     153        } 
     154        final ArrayList<String> classAttVals = new ArrayList<String>(); 
     155        classAttVals.add("0"); 
     156        classAttVals.add("1"); 
     157        final Attribute classAtt = new Attribute("bug", classAttVals); 
     158        atts.add(classAtt); 
     159 
     160        final Instances data = new Instances(file.getName(), atts, 0); 
     161        data.setClass(classAtt); 
     162 
     163        // create data 
     164        String lastFile = null; 
     165        double[] lastValues = null; 
     166        int lastNumBugs = 0; 
     167        for (Entry<EntityRevisionPair, Integer> entry : entityRevisionPairs.entrySet()) { 
     168            try { 
     169                // first get values 
     170                lineSplit = lines[entry.getValue()].split(";"); 
     171                lineSplitBug = linesBug[entry.getValue()].split(";"); 
     172                int i = 0; 
     173                double[] values = new double[numMetrics]; 
     174                for (int j = metricsStartIndex; j <= metricsEndIndex; j++) { 
     175                    values[i] = Double.parseDouble(lineSplit[j]); 
     176                    i++; 
     177                } 
     178                int numBugs = Integer.parseInt(lineSplitBug[bugIndex]); 
     179 
     180                // then check if an entity must be created 
     181                if (entry.getKey().entity.equals(lastFile)) { 
     182                    // create new instance 
     183                    double[] instanceValues = new double[2 * numMetrics + 1]; 
     184                    for (int j = 0; j < numMetrics; j++) { 
     185                        instanceValues[j] = values[j] - lastValues[j]; 
     186                        instanceValues[j + numMetrics] = values[j]; 
     187                    } 
     188                    // check if any value>0 
     189                    boolean changeOccured = false; 
     190                    for (int j = 0; j < numMetrics; j++) { 
     191                        if (instanceValues[j] > 0) { 
     192                            changeOccured = true; 
     193                        } 
     194                    } 
     195                    if (changeOccured) { 
     196                        instanceValues[instanceValues.length - 1] = numBugs <= lastNumBugs ? 0 : 1; 
     197                        data.add(new DenseInstance(1.0, instanceValues)); 
     198                    } 
     199                } 
     200                lastFile = entry.getKey().entity; 
     201                lastValues = values; 
     202                lastNumBugs = numBugs; 
     203            } 
     204            catch (IllegalArgumentException e) { 
     205                System.err.println("error in line " + entry.getValue() + ": " + e.getMessage()); 
     206                System.err.println("metrics line: " + lines[entry.getValue()]); 
     207                System.err.println("bugs line: " + linesBug[entry.getValue()]); 
     208                System.err.println("line is ignored"); 
     209            } 
     210        } 
     211 
     212        return data; 
     213    } 
     214 
     215    /* 
     216     * (non-Javadoc) 
     217     *  
     218     * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader#load( java.io.File) 
     219     */ 
     220 
     221    public Instances load(File file, String dummy) { 
     222        final String[] lines; 
     223        try { 
     224            lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
     225        } 
     226        catch (IOException e) { 
     227            throw new RuntimeException(e); 
     228        } 
     229 
     230        // information about bugs are in another file 
     231        String path = file.getAbsolutePath(); 
     232        path = path.substring(0, path.length() - 14) + "repro.csv"; 
     233        final String[] linesBug; 
     234        try { 
     235            linesBug = FileTools.getLinesFromFile(path); 
     236        } 
     237        catch (IOException e) { 
     238            throw new RuntimeException(e); 
     239        } 
     240 
     241        // configure Instances 
     242        final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
     243 
     244        String[] lineSplit = lines[0].split(";"); 
     245        // ignore first three/four and last two columns 
     246        int offset; 
     247        if (lineSplit[3].equals("project_rev")) { 
     248            offset = 4; 
     249        } 
     250        else { 
     251            offset = 3; 
     252        } 
     253        for (int j = 0; j < lineSplit.length - (offset + 2); j++) { 
     254            atts.add(new Attribute(lineSplit[j + offset])); 
     255        } 
     256        final ArrayList<String> classAttVals = new ArrayList<String>(); 
     257        classAttVals.add("0"); 
     258        classAttVals.add("1"); 
     259        final Attribute classAtt = new Attribute("bug", classAttVals); 
     260        atts.add(classAtt); 
     261 
     262        final Instances data = new Instances(file.getName(), atts, 0); 
     263        data.setClass(classAtt); 
     264 
     265        // fetch data 
     266        for (int i = 1; i < lines.length; i++) { 
     267            boolean validInstance = true; 
     268            lineSplit = lines[i].split(";"); 
     269            String[] lineSplitBug = linesBug[i].split(";"); 
     270            double[] values = new double[data.numAttributes()]; 
     271            for (int j = 0; validInstance && j < values.length - 1; j++) { 
     272                if (lineSplit[j + offset].trim().isEmpty()) { 
     273                    validInstance = false; 
     274                } 
     275                else { 
     276                    values[j] = Double.parseDouble(lineSplit[j + offset].trim()); 
     277                } 
     278            } 
     279            if (offset == 3) { 
     280                values[values.length - 1] = lineSplitBug[7].equals("0") ? 0 : 1; 
     281            } 
     282            else { 
     283                values[values.length - 1] = lineSplitBug[8].equals("0") ? 0 : 1; 
     284            } 
     285 
     286            if (validInstance) { 
     287                data.add(new DenseInstance(1.0, values)); 
     288            } 
     289            else { 
     290                System.out.println("instance " + i + " is invalid"); 
     291            } 
     292        } 
     293        return data; 
     294    } 
     295 
     296    /* 
     297     * (non-Javadoc) 
     298     *  
     299     * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader# 
     300     * filenameFilter(java.lang.String) 
     301     */ 
     302    @Override 
     303    public boolean filenameFilter(String filename) { 
     304        return filename.endsWith("src.csv"); 
     305    } 
    283306 
    284307} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/AUDIDataLoader.java

    r35 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1226/** 
    1327 * TODO 
     28 *  
    1429 * @author sherbold 
    15  * 
     30 *  
    1631 */ 
    1732class AUDIDataLoader implements SingleVersionLoader { 
    1833 
    19         /* 
    20          * (non-Javadoc) 
    21          *  
    22          * @see 
    23          * de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader#load( 
    24          * java.io.File) 
    25          */ 
    26         @Override 
    27         public Instances load(File file) { 
    28                 final String[] lines; 
    29                 try { 
    30                         lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
    31                 } catch (IOException e) { 
    32                         throw new RuntimeException(e); 
    33                 } 
    34                  
    35                 // information about bugs are in another file 
    36                 String path = file.getAbsolutePath(); 
    37                 path = path.substring(0, path.length()-14) + "repro.csv"; 
    38                 final String[] linesBug; 
    39                 try { 
    40                         linesBug = FileTools.getLinesFromFile(path); 
    41                 } catch (IOException e) { 
    42                         throw new RuntimeException(e); 
    43                 } 
    44                  
    45                 // configure Instances 
    46                 final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
     34    /* 
     35     * (non-Javadoc) 
     36     *  
     37     * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader#load( java.io.File) 
     38     */ 
     39    @Override 
     40    public Instances load(File file) { 
     41        final String[] lines; 
     42        try { 
     43            lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
     44        } 
     45        catch (IOException e) { 
     46            throw new RuntimeException(e); 
     47        } 
    4748 
    48                 String[] lineSplit = lines[0].split(";"); 
    49                 // ignore first three/four and last two columns 
    50                 int offset; 
    51                 if( lineSplit[3].equals("project_rev") ) { 
    52                         offset = 4; 
    53                 } else { 
    54                         offset = 3; 
    55                 } 
    56                 for (int j = 0; j < lineSplit.length - (offset+2); j++) { 
    57                         atts.add(new Attribute(lineSplit[j + offset])); 
    58                 } 
    59                 final ArrayList<String> classAttVals = new ArrayList<String>(); 
    60                 classAttVals.add("0"); 
    61                 classAttVals.add("1"); 
    62                 final Attribute classAtt = new Attribute("bug", classAttVals); 
    63                 atts.add(classAtt); 
     49        // information about bugs are in another file 
     50        String path = file.getAbsolutePath(); 
     51        path = path.substring(0, path.length() - 14) + "repro.csv"; 
     52        final String[] linesBug; 
     53        try { 
     54            linesBug = FileTools.getLinesFromFile(path); 
     55        } 
     56        catch (IOException e) { 
     57            throw new RuntimeException(e); 
     58        } 
    6459 
    65                 final Instances data = new Instances(file.getName(), atts, 0); 
    66                 data.setClass(classAtt); 
     60        // configure Instances 
     61        final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
    6762 
    68                 // fetch data 
    69                 for (int i = 1; i < lines.length; i++) { 
    70                         boolean validInstance = true; 
    71                         lineSplit = lines[i].split(";"); 
    72                         String[] lineSplitBug = linesBug[i].split(";"); 
    73                         double[] values = new double[data.numAttributes()]; 
    74                         for (int j = 0; validInstance && j < values.length-1; j++) { 
    75                                 if( lineSplit[j + offset].trim().isEmpty() ) { 
    76                                         validInstance = false; 
    77                                 } else { 
    78                                         values[j] = Double.parseDouble(lineSplit[j + offset].trim()); 
    79                                 } 
    80                         } 
    81                         if( offset==3 ) { 
    82                                 values[values.length - 1] = lineSplitBug[7].equals("0") ? 0 : 1; 
    83                         } else { 
    84                                 values[values.length - 1] = lineSplitBug[8].equals("0") ? 0 : 1; 
    85                         } 
    86                          
    87                         if( validInstance ) { 
    88                                 data.add(new DenseInstance(1.0, values)); 
    89                         } else { 
    90                                 System.out.println("instance " + i + " is invalid"); 
    91                         } 
    92                 } 
    93                 return data; 
    94         } 
     63        String[] lineSplit = lines[0].split(";"); 
     64        // ignore first three/four and last two columns 
     65        int offset; 
     66        if (lineSplit[3].equals("project_rev")) { 
     67            offset = 4; 
     68        } 
     69        else { 
     70            offset = 3; 
     71        } 
     72        for (int j = 0; j < lineSplit.length - (offset + 2); j++) { 
     73            atts.add(new Attribute(lineSplit[j + offset])); 
     74        } 
     75        final ArrayList<String> classAttVals = new ArrayList<String>(); 
     76        classAttVals.add("0"); 
     77        classAttVals.add("1"); 
     78        final Attribute classAtt = new Attribute("bug", classAttVals); 
     79        atts.add(classAtt); 
    9580 
    96         /* 
    97          * (non-Javadoc) 
    98          *  
    99          * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader# 
    100          * filenameFilter(java.lang.String) 
    101          */ 
    102         @Override 
    103         public boolean filenameFilter(String filename) { 
    104                 return filename.endsWith("src.csv"); 
    105         } 
     81        final Instances data = new Instances(file.getName(), atts, 0); 
     82        data.setClass(classAtt); 
     83 
     84        // fetch data 
     85        for (int i = 1; i < lines.length; i++) { 
     86            boolean validInstance = true; 
     87            lineSplit = lines[i].split(";"); 
     88            String[] lineSplitBug = linesBug[i].split(";"); 
     89            double[] values = new double[data.numAttributes()]; 
     90            for (int j = 0; validInstance && j < values.length - 1; j++) { 
     91                if (lineSplit[j + offset].trim().isEmpty()) { 
     92                    validInstance = false; 
     93                } 
     94                else { 
     95                    values[j] = Double.parseDouble(lineSplit[j + offset].trim()); 
     96                } 
     97            } 
     98            if (offset == 3) { 
     99                values[values.length - 1] = lineSplitBug[7].equals("0") ? 0 : 1; 
     100            } 
     101            else { 
     102                values[values.length - 1] = lineSplitBug[8].equals("0") ? 0 : 1; 
     103            } 
     104 
     105            if (validInstance) { 
     106                data.add(new DenseInstance(1.0, values)); 
     107            } 
     108            else { 
     109                System.out.println("instance " + i + " is invalid"); 
     110            } 
     111        } 
     112        return data; 
     113    } 
     114 
     115    /* 
     116     * (non-Javadoc) 
     117     *  
     118     * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader# 
     119     * filenameFilter(java.lang.String) 
     120     */ 
     121    @Override 
     122    public boolean filenameFilter(String filename) { 
     123        return filename.endsWith("src.csv"); 
     124    } 
    106125 
    107126} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/AUDIFolderLoader.java

    r35 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
    317public class AUDIFolderLoader extends AbstractFolderLoader { 
    418 
    5         /* 
    6         * (non-Javadoc) 
    7         *  
    8         * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
    9         */ 
    10         @Override 
    11         protected SingleVersionLoader getSingleLoader() { 
    12                 return new AUDIDataLoader(); 
    13         } 
     19    /* 
     20    * (non-Javadoc) 
     21    *  
     22    * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
     23    */ 
     24    @Override 
     25    protected SingleVersionLoader getSingleLoader() { 
     26        return new AUDIDataLoader(); 
     27    } 
    1428} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/AbstractFolderLoader.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1024 
    1125/** 
    12  * Abstract class for loading data from a folder. The subfolders of a defined 
    13  * folder define the projects, the file contained in the subfolder are the 
    14  * versions of a project. 
     26 * Abstract class for loading data from a folder. The subfolders of a defined folder define the 
     27 * projects, the file contained in the subfolder are the versions of a project. 
    1528 *  
    1629 * @author Steffen Herbold 
     
    1831public abstract class AbstractFolderLoader implements IVersionLoader { 
    1932 
    20         /** 
    21         * Path of the data. 
    22         */ 
    23         protected String path = ""; 
     33    /** 
     34    * Path of the data. 
     35    */ 
     36    protected String path = ""; 
    2437 
    25         /** 
    26         * @see de.ugoe.cs.cpdp.loader.IVersionLoader#setLocation(java.lang.String) 
    27         */ 
    28         @Override 
    29         public void setLocation(String location) { 
    30                 path = location; 
    31         } 
     38    /** 
     39    * @see de.ugoe.cs.cpdp.loader.IVersionLoader#setLocation(java.lang.String) 
     40    */ 
     41    @Override 
     42    public void setLocation(String location) { 
     43        path = location; 
     44    } 
    3245 
    33         /** 
    34         * @see de.ugoe.cs.cpdp.loader.IVersionLoader#load() 
    35         */ 
    36         @Override 
    37         public List<SoftwareVersion> load() { 
    38                 final List<SoftwareVersion> versions = new LinkedList<SoftwareVersion>(); 
     46    /** 
     47    * @see de.ugoe.cs.cpdp.loader.IVersionLoader#load() 
     48    */ 
     49    @Override 
     50    public List<SoftwareVersion> load() { 
     51        final List<SoftwareVersion> versions = new LinkedList<SoftwareVersion>(); 
    3952 
    40                 final File dataDir = new File(path); 
    41                 final SingleVersionLoader instancesLoader = getSingleLoader(); 
     53        final File dataDir = new File(path); 
     54        final SingleVersionLoader instancesLoader = getSingleLoader(); 
    4255 
    43                 for (File projectDir : dataDir.listFiles()) { 
    44                         if (projectDir.isDirectory()) { 
    45                                 String projectName = projectDir.getName(); 
    46                                 for (File versionFile : projectDir.listFiles()) { 
    47                                         if (versionFile.isFile() 
    48                                                         && instancesLoader.filenameFilter(versionFile 
    49                                                                         .getName())) { 
    50                                                 String versionName = versionFile.getName(); 
    51                                                 Instances data = instancesLoader.load(versionFile); 
    52                                                 versions.add(new SoftwareVersion(projectName, 
    53                                                                 versionName, data)); 
    54                                         } 
    55                                 } 
    56                         } 
    57                 } 
    58                 return versions; 
    59         } 
     56        for (File projectDir : dataDir.listFiles()) { 
     57            if (projectDir.isDirectory()) { 
     58                String projectName = projectDir.getName(); 
     59                for (File versionFile : projectDir.listFiles()) { 
     60                    if (versionFile.isFile() && 
     61                        instancesLoader.filenameFilter(versionFile.getName())) 
     62                    { 
     63                        String versionName = versionFile.getName(); 
     64                        Instances data = instancesLoader.load(versionFile); 
     65                        versions.add(new SoftwareVersion(projectName, versionName, data)); 
     66                    } 
     67                } 
     68            } 
     69        } 
     70        return versions; 
     71    } 
    6072 
    61         /** 
    62          * Returns the concrete {@link SingleVersionLoader} to be used with this 
    63          * folder loader. 
    64          *  
    65          * @return 
    66          */ 
    67         abstract protected SingleVersionLoader getSingleLoader(); 
     73    /** 
     74     * Returns the concrete {@link SingleVersionLoader} to be used with this folder loader. 
     75     *  
     76     * @return 
     77     */ 
     78    abstract protected SingleVersionLoader getSingleLoader(); 
    6879} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/CSVDataLoader.java

    r4 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1125 
    1226/** 
    13  * Loads the instances for a software version from a CSV file of the PROMISE 
    14  * data set mined by Jurezko and Madeyski. 
     27 * Loads the instances for a software version from a CSV file of the PROMISE data set mined by 
     28 * Jurezko and Madeyski. 
    1529 *  
    1630 * @author Steffen Herbold 
     
    1832class CSVDataLoader implements SingleVersionLoader { 
    1933 
    20         /* 
    21          * (non-Javadoc) 
    22          *  
    23          * @see 
    24          * de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader#load( 
    25          * java.io.File) 
    26          */ 
    27         @Override 
    28         public Instances load(File file) { 
    29                 final String[] lines; 
    30                 try { 
    31                         lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
    32                 } catch (IOException e) { 
    33                         throw new RuntimeException(e); 
    34                 } 
     34    /* 
     35     * (non-Javadoc) 
     36     *  
     37     * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader#load( java.io.File) 
     38     */ 
     39    @Override 
     40    public Instances load(File file) { 
     41        final String[] lines; 
     42        try { 
     43            lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
     44        } 
     45        catch (IOException e) { 
     46            throw new RuntimeException(e); 
     47        } 
    3548 
    36                 // configure Instances 
    37                 final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
     49        // configure Instances 
     50        final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
    3851 
    39                 String[] lineSplit = lines[0].split(","); 
    40                 for (int j = 0; j < lineSplit.length - 4; j++) { 
    41                         atts.add(new Attribute(lineSplit[j + 3])); 
    42                 } 
    43                 final ArrayList<String> classAttVals = new ArrayList<String>(); 
    44                 classAttVals.add("0"); 
    45                 classAttVals.add("1"); 
    46                 final Attribute classAtt = new Attribute("bug", classAttVals); 
    47                 atts.add(classAtt); 
     52        String[] lineSplit = lines[0].split(","); 
     53        for (int j = 0; j < lineSplit.length - 4; j++) { 
     54            atts.add(new Attribute(lineSplit[j + 3])); 
     55        } 
     56        final ArrayList<String> classAttVals = new ArrayList<String>(); 
     57        classAttVals.add("0"); 
     58        classAttVals.add("1"); 
     59        final Attribute classAtt = new Attribute("bug", classAttVals); 
     60        atts.add(classAtt); 
    4861 
    49                 final Instances data = new Instances(file.getName(), atts, 0); 
    50                 data.setClass(classAtt); 
     62        final Instances data = new Instances(file.getName(), atts, 0); 
     63        data.setClass(classAtt); 
    5164 
    52                 // fetch data 
    53                 for (int i = 1; i < lines.length; i++) { 
    54                         lineSplit = lines[i].split(","); 
    55                         double[] values = new double[lineSplit.length - 3]; 
    56                         for (int j = 0; j < values.length - 1; j++) { 
    57                                 values[j] = Double.parseDouble(lineSplit[j + 3].trim()); 
    58                         } 
    59                         values[values.length - 1] = lineSplit[lineSplit.length - 1].trim() 
    60                                         .equals("0") ? 0 : 1; 
    61                         data.add(new DenseInstance(1.0, values)); 
    62                 } 
     65        // fetch data 
     66        for (int i = 1; i < lines.length; i++) { 
     67            lineSplit = lines[i].split(","); 
     68            double[] values = new double[lineSplit.length - 3]; 
     69            for (int j = 0; j < values.length - 1; j++) { 
     70                values[j] = Double.parseDouble(lineSplit[j + 3].trim()); 
     71            } 
     72            values[values.length - 1] = lineSplit[lineSplit.length - 1].trim().equals("0") ? 0 : 1; 
     73            data.add(new DenseInstance(1.0, values)); 
     74        } 
    6375 
    64                 return data; 
    65         } 
     76        return data; 
     77    } 
    6678 
    67         /* 
    68         * (non-Javadoc) 
    69         *  
    70         * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader# 
    71         * filenameFilter(java.lang.String) 
    72         */ 
    73         @Override 
    74         public boolean filenameFilter(String filename) { 
    75                 return filename.endsWith(".csv"); 
    76         } 
     79    /* 
     80    * (non-Javadoc) 
     81    *  
     82    * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader# 
     83    * filenameFilter(java.lang.String) 
     84    */ 
     85    @Override 
     86    public boolean filenameFilter(String filename) { 
     87        return filename.endsWith(".csv"); 
     88    } 
    7789 
    7890} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/CSVFolderLoader.java

    r4 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
    317/** 
    4  * Implements the {@link AbstractFolderLoader} for data from the PROMISE 
    5  * repository mined by Jurezko and Madeyski. 
     18 * Implements the {@link AbstractFolderLoader} for data from the PROMISE repository mined by Jurezko 
     19 * and Madeyski. 
    620 *  
    721 * @author Steffen Herbold 
     
    923public class CSVFolderLoader extends AbstractFolderLoader { 
    1024 
    11         /* 
    12         * (non-Javadoc) 
    13         *  
    14         * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
    15         */ 
    16         @Override 
    17         protected SingleVersionLoader getSingleLoader() { 
    18                 return new CSVDataLoader(); 
    19         } 
     25    /* 
     26    * (non-Javadoc) 
     27    *  
     28    * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
     29    */ 
     30    @Override 
     31    protected SingleVersionLoader getSingleLoader() { 
     32        return new CSVDataLoader(); 
     33    } 
    2034 
    2135} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/CSVMockusDataLoader.java

    r29 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1024import de.ugoe.cs.util.FileTools; 
    1125 
    12  
    1326class CSVMockusDataLoader implements SingleVersionLoader { 
    1427 
    15         @Override 
    16         public Instances load(File file) { 
    17                 final String[] lines; 
    18                 try { 
    19                          
    20                         lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
    21                 } catch (IOException e) { 
    22                         throw new RuntimeException(e); 
    23                 } 
    24                  
    25                  
    26                 // configure Instances 
    27                 final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
     28    @Override 
     29    public Instances load(File file) { 
     30        final String[] lines; 
     31        try { 
    2832 
    29                 String[] lineSplit = lines[0].split(","); 
    30                 for (int j = 0; j < lineSplit.length - 3; j++) { 
    31                         atts.add(new Attribute(lineSplit[j + 2])); 
    32                 } 
    33                  
    34                 final ArrayList<String> classAttVals = new ArrayList<String>(); 
    35                 classAttVals.add("0"); 
    36                 classAttVals.add("1"); 
    37                 final Attribute classAtt = new Attribute("bug", classAttVals); 
    38                 atts.add(classAtt); 
     33            lines = FileTools.getLinesFromFile(file.getAbsolutePath()); 
     34        } 
     35        catch (IOException e) { 
     36            throw new RuntimeException(e); 
     37        } 
    3938 
    40                 final Instances data = new Instances(file.getName(), atts, 0); 
    41                 data.setClass(classAtt); 
     39        // configure Instances 
     40        final ArrayList<Attribute> atts = new ArrayList<Attribute>(); 
    4241 
    43                 // fetch data 
    44                 for (int i = 1; i < lines.length; i++) { 
    45                         lineSplit = lines[i].split(","); 
    46                         double[] values = new double[lineSplit.length - 2]; 
    47                         for (int j = 0; j < values.length - 1; j++) { 
    48                                 values[j] = Double.parseDouble(lineSplit[j + 2].trim()); 
    49                         } 
    50                         values[values.length - 1] = lineSplit[lineSplit.length - 1].trim() 
    51                                         .equals("0") ? 0 : 1; 
    52                         data.add(new DenseInstance(1.0, values)); 
    53                 } 
     42        String[] lineSplit = lines[0].split(","); 
     43        for (int j = 0; j < lineSplit.length - 3; j++) { 
     44            atts.add(new Attribute(lineSplit[j + 2])); 
     45        } 
    5446 
    55                 return data; 
    56         } 
     47        final ArrayList<String> classAttVals = new ArrayList<String>(); 
     48        classAttVals.add("0"); 
     49        classAttVals.add("1"); 
     50        final Attribute classAtt = new Attribute("bug", classAttVals); 
     51        atts.add(classAtt); 
    5752 
    58         @Override 
    59         public boolean filenameFilter(String filename) { 
    60                 return filename.endsWith(".csv"); 
    61         } 
     53        final Instances data = new Instances(file.getName(), atts, 0); 
     54        data.setClass(classAtt); 
     55 
     56        // fetch data 
     57        for (int i = 1; i < lines.length; i++) { 
     58            lineSplit = lines[i].split(","); 
     59            double[] values = new double[lineSplit.length - 2]; 
     60            for (int j = 0; j < values.length - 1; j++) { 
     61                values[j] = Double.parseDouble(lineSplit[j + 2].trim()); 
     62            } 
     63            values[values.length - 1] = lineSplit[lineSplit.length - 1].trim().equals("0") ? 0 : 1; 
     64            data.add(new DenseInstance(1.0, values)); 
     65        } 
     66 
     67        return data; 
     68    } 
     69 
     70    @Override 
     71    public boolean filenameFilter(String filename) { 
     72        return filename.endsWith(".csv"); 
     73    } 
    6274 
    6375} 
    64  
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/CSVMockusFolderLoader.java

    r28 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
    317public class CSVMockusFolderLoader extends AbstractFolderLoader { 
    418 
    5         @Override 
    6         protected SingleVersionLoader getSingleLoader() { 
    7                 return new CSVMockusDataLoader(); 
    8         } 
     19    @Override 
     20    protected SingleVersionLoader getSingleLoader() { 
     21        return new CSVMockusDataLoader(); 
     22    } 
    923} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/DecentDataLoader.java

    r36 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    3852 
    3953/** 
    40  * Class for loading a decent model file. 
    41  * Loads a decent model file and (if no arff file is present) and does the 
    42  * following conversions:  
    43  * DECENT -> ARFFX -> ARFF 
     54 * Class for loading a decent model file. Loads a decent model file and (if no arff file is present) 
     55 * and does the following conversions: DECENT -> ARFFX -> ARFF 
    4456 *  
    4557 * @author Fabian Trautsch 
    46  * 
     58 *  
    4759 */ 
    48 public class DecentDataLoader implements SingleVersionLoader{ 
    49  
    50         // Model Handler for Decent Models 
    51         private DECENTEpsilonModelHandler modelHandler = new DECENTEpsilonModelHandler(); 
    52          
    53         // Set log level 
    54         String logLevel = "1"; 
    55         String logToFile = "false"; 
    56                  
    57         // This list contains attributes, that should be removed before building the arff file 
    58         private static List<String> attributeFilter = new LinkedList<String>(); 
    59          
    60         // This list contains all names of the different artifacts 
    61         private static Set<String> artifactNames = new LinkedHashSet<String>(); 
    62          
    63         // Name of the class attribute. 
    64         private static final String classAttributeName = "LABEL.Artifact.Target.BugFix.AverageWeight"; 
    65          
    66          
    67         private int getIndexOfArtifactName(String artifactName) { 
    68                 int index = -1; 
    69                 if(artifactNames.contains(artifactName)) { 
    70                         int i=0; 
    71                         for(String nameInSet: artifactNames) { 
    72                                 if(nameInSet.equals(artifactName)) { 
    73                                         index = i; 
    74                                 } else { 
    75                                         i++; 
    76                                 } 
    77                         } 
    78                 } 
    79                  
    80                 return index; 
    81         } 
    82          
    83         /** 
    84          * Defines attributes, that should be removed before building the 
    85          * ARFF File from. 
    86          */ 
    87         private void setAttributeFilter() { 
    88                 attributeFilter.add("Agent.Name"); 
    89          
    90         } 
    91          
    92         /** 
    93          * Saves the dataset as arff after transformation (decent->arffx) and 
    94          * filtering 
    95          *  
    96          * @param dataSet the WEKA dataset to save 
    97          * @param arffLocation location where it should be saved to 
    98          */ 
    99         public void save(Instances dataSet, String arffLocation) { 
    100                  
    101                  
    102                 ArffSaver saver = new ArffSaver(); 
    103                 saver.setInstances(dataSet); 
    104                 try { 
    105                         saver.setFile(new File(arffLocation)); 
    106                         saver.writeBatch(); 
    107                 } catch (IOException e) { 
    108                         Console.printerrln("Cannot save the file to path: "+arffLocation); 
    109                         e.printStackTrace(); 
    110                 } 
    111         } 
    112  
    113          
    114         /** 
    115          * Loads the given decent file and tranform it from decent->arffx->arff 
    116          * @return Instances in WEKA format 
    117          */ 
    118         @Override 
    119         public Instances load(File file) { 
    120                  
    121                 // Set attributeFilter 
    122                 setAttributeFilter(); 
    123                  
    124                 // Register MetaModels 
    125                 try { 
    126                         registerMetaModels(); 
    127                 } catch (Exception e1) { 
    128                         Console.printerrln("Metamodels cannot be registered!"); 
    129                         e1.printStackTrace(); 
    130                 } 
    131  
    132                 // Set location of decent and arffx Model 
    133                 String decentModelLocation = file.getAbsolutePath(); 
    134                 String pathToDecentModelFolder = decentModelLocation.substring(0,decentModelLocation.lastIndexOf(File.separator)); 
    135                 String arffxModelLocation = pathToDecentModelFolder+"/model.arffx"; 
    136                 String logModelLocation = pathToDecentModelFolder+"/model.log"; 
    137                 String arffLocation = pathToDecentModelFolder+"/model.arff"; 
    138                  
    139                 // If arff File exists, load from it! 
    140                 if(new File(arffLocation).exists()) { 
    141                         System.out.println("Loading arff File..."); 
    142                          BufferedReader reader; 
    143                          Instances data = null; 
    144                         try { 
    145                                 reader = new BufferedReader(new FileReader(arffLocation)); 
    146                                 data = new Instances(reader); 
    147                                 reader.close(); 
    148                         } catch (FileNotFoundException e) { 
    149                                 Console.printerrln("File with path: "+arffLocation+" was not found."); 
    150                                 e.printStackTrace(); 
    151                         } catch (IOException e) { 
    152                                 Console.printerrln("File with path: "+arffLocation+" cannot be read."); 
    153                                 e.printStackTrace(); 
    154                         } 
    155                          
    156                         // Set class attribute if not set 
    157                         if(data.classIndex() == -1) { 
    158                                 Attribute classAttribute = data.attribute(classAttributeName); 
    159                                 data.setClass(classAttribute); 
    160                         } 
    161                          
    162                          
    163                         return data; 
    164                 } 
    165                  
    166                 // Location of EOL Scripts 
    167                 String preprocess = "./decent/epsilon/query/preprocess.eol";     
    168                 String arffxToArffSource = "./decent/epsilon/query/addLabels.eol"; 
    169                  
    170                 // Set Log Properties 
    171                 System.setProperty("epsilon.logLevel", logLevel); 
    172                 System.setProperty("epsilon.logToFile", logToFile); 
    173                 System.setProperty("epsilon.logFileAvailable", "false"); 
    174                  
    175                 // Set decent2arffx Properties 
    176                 System.setProperty("epsilon.transformation.decent2arffx.skipSource", "false"); 
    177                 System.setProperty("epsilon.transformation.decent2arffx.type", "code"); 
    178                  
    179                  
    180                  
    181                 // Preprocess Data, transform from decent2arffx 
    182                 try { 
    183                         IEolExecutableModule preProcessModule = loadModule(preprocess); 
    184                         IModel preProcessDecentModel = modelHandler.getDECENTModel(decentModelLocation, true, true); 
    185                         IModel preProcessArffxarffxModel = modelHandler.getARFFxModel(arffxModelLocation, false, true); 
    186                         preProcessModule.getContext().getModelRepository().addModel(preProcessDecentModel); 
    187                         preProcessModule.getContext().getModelRepository().addModel(preProcessArffxarffxModel); 
    188                         execute(preProcessModule, logModelLocation); 
    189                         preProcessDecentModel.dispose(); 
    190                         preProcessArffxarffxModel.dispose(); 
    191                         preProcessModule.reset(); 
    192                 } catch (URISyntaxException e) { 
    193                         Console.printerrln("URI Syntax for decent or arffx model is wrong."); 
    194                         e.printStackTrace(); 
    195                 } catch (Exception e) { 
    196                         e.printStackTrace(); 
    197                 } 
    198                  
    199                  
    200                  
    201                  
    202                 // Transform to arff, for label and confidence attributes 
    203                 try { 
    204                         IEolExecutableModule arffxToArffModule = loadModule(arffxToArffSource); 
    205                         IModel arffxToArffArffxModel = modelHandler.getARFFxModel(arffxModelLocation, true, true); 
    206                         arffxToArffModule.getContext().getModelRepository().addModel(arffxToArffArffxModel); 
    207                         execute(arffxToArffModule, logModelLocation); 
    208                         arffxToArffArffxModel.dispose(); 
    209                         // can be stored and retained alternatively 
    210                         arffxToArffModule.reset(); 
    211                 } catch (URISyntaxException e) { 
    212                         Console.printerrln("URI Syntax for arffx model is wrong."); 
    213                         e.printStackTrace(); 
    214                 } catch (Exception e) { 
    215                         e.printStackTrace(); 
    216                 } 
    217  
    218                 // Unregister MetaModels, otherwise cast will fail 
    219                 HashMap<String, Object> metaModelCache = new HashMap<>(); 
    220                 for (String key : EPackage.Registry.INSTANCE.keySet()) { 
    221                         metaModelCache.put(key, EPackage.Registry.INSTANCE.get(key)); 
    222                 }; 
    223                  
    224                 for (String key : metaModelCache .keySet()) { 
    225                         EPackage.Registry.INSTANCE.remove(key); 
    226                 }; 
    227                  
    228                  
    229                 // Workaround to gernerate a usable URI. Absolute path is not 
    230                 // possible, therefore we need to construct a relative path 
    231                  
    232                 URL location = DecentDataLoader.class.getProtectionDomain().getCodeSource().getLocation(); 
    233                 String basePath = location.getFile(); 
    234                  
    235                 // Location is the bin folder, so we need to delete the last 4 characters 
    236                 basePath = basePath.substring(0, basePath.length() - 4); 
    237                 String relativePath = new File(basePath).toURI().relativize(new File(arffxModelLocation).toURI()).getPath(); 
    238                  
    239                 // Loard arffx file and create WEKA Instances 
    240                 ARFFxResourceTool tool = new ARFFxResourceTool(); 
    241                 Resource resource = tool.loadResourceFromXMI(relativePath, "arffx"); 
    242                  
    243                 Instances dataSet = null; 
    244                 for(EObject o: resource.getContents()) { 
    245                         Model m = (Model) o; 
    246                         dataSet = createWekaDataFormat(m); 
    247  
    248                         for(Instance i : m.getData()) { 
    249                                 createWekaInstance(dataSet, i); 
    250                         } 
    251                 } 
    252                  
    253                 // Set class attribute 
    254                 Attribute classAttribute = dataSet.attribute(classAttributeName); 
    255                 dataSet.setClass(classAttribute); 
    256                  
    257                 // Save as ARFF 
    258                 save(dataSet, arffLocation); 
    259                  
    260                 return dataSet; 
    261          
    262         }        
    263          
    264          
    265         /** 
    266          * Creates a WekaInstance from an ARFFX Model Instance 
    267          *  
    268          * @param dataSet WekaInstance dataset, where the arffx model instances should be 
    269          * added to 
    270          * @param i arffx model instance 
    271          */ 
    272         private void createWekaInstance(Instances dataSet, Instance i) {          
    273                 double[] values = new double[dataSet.numAttributes()]; 
    274                 int j=0; 
    275                  
    276                 for(Value value : i.getValues()) { 
    277                         String dataValue = value.getContent();  
    278                         String attributeName = value.getOfAttribute().getName(); 
    279                          
    280                         if(attributeFilter.contains(attributeName)) { 
    281                                 continue; 
    282                         } 
    283                          
    284                         // Is value a LABEL.* attribute? 
    285                         if(isLabel(attributeName)) { 
    286                                 values[j] = dataSet.attribute(j).indexOfValue(dataValue); 
    287                         } else if (isConfidenceLabel(attributeName)){ 
    288                                 // Is value a CONFIDENCE.* attribute? 
    289                                 values[j] = dataSet.attribute(j).indexOfValue(dataValue); 
    290                         } else if(attributeName.equals("Artifact.Name")){ 
    291                                 // Is it the name of the artifact? 
    292                                 artifactNames.add(dataValue); 
    293                                 values[j] = getIndexOfArtifactName(dataValue); 
    294                         } else { 
    295                                 // Is it a numeric value? 
    296                                 values[j] = Double.parseDouble(dataValue); 
    297                         } 
    298                          
    299                         j++; 
    300                 } 
    301                  
    302                 DenseInstance inst = new DenseInstance(1.0, values); 
    303                 dataSet.add(inst); 
    304         } 
    305                  
    306         /** 
    307          * Creates a Weka Instances set out of a arffx model 
    308          * @param m arffx model 
    309          * @return 
    310          */ 
    311         private Instances createWekaDataFormat(Model m) { 
    312                  
    313                 // Bad solution, can be enhanced (continue in for loop) 
    314                 ArrayList<Attribute> datasetAttributes = new  ArrayList<Attribute>(); 
    315                 for(de.ugoe.cs.cpdp.decentApp.models.arffx.Attribute attribute :m.getAttributes()) { 
    316                         String attributeName = attribute.getName(); 
    317  
    318                         if(attributeFilter.contains(attributeName)) { 
    319                                 continue; 
    320                         } 
    321                          
    322                         Attribute wekaAttr; 
    323                          
    324                         // Is attribute a LABEL.* attribute? 
    325                         if(isLabel(attributeName)) { 
    326                                 // Classattribute 
    327                                 final ArrayList<String> classAttVals = new ArrayList<String>(); 
    328                                 classAttVals.add("false"); 
    329                                 classAttVals.add("true"); 
    330                                 wekaAttr = new Attribute(attributeName, classAttVals); 
    331                         } else if(isConfidenceLabel(attributeName)){ 
    332                                 // Is attribute a CONFIDENCE.* attribute? 
    333                                 ArrayList<String> labels = new ArrayList<String>(); 
    334                                 labels.add("high"); 
    335                                 labels.add("low"); 
    336                                 wekaAttr = new Attribute(attributeName, labels); 
    337                         } else { 
    338                                 // Is it a numeric attribute? 
    339                                 wekaAttr = new Attribute(attributeName); 
    340                         } 
    341                          
    342                         datasetAttributes.add(wekaAttr); 
    343                 } 
    344                  
    345                  
    346                 return new Instances("test-dataset", datasetAttributes, 0); 
    347         } 
    348          
    349         /** 
    350          * Helper methods which indicates if the given value starts with "LABEL" 
    351          *  
    352          * @param value to test 
    353          * @return 
    354          */ 
    355         private boolean isLabel(String value) { 
    356                 if(value.length()>= 5 && value.substring(0, 5).equals("LABEL")) { 
    357                         return true; 
    358                 } 
    359                  
    360                 return false; 
    361         } 
    362          
    363         /** 
    364          * Helper method which indicates if the given value starts with "CONFIDENCE" 
    365          * @param value to test 
    366          * @return 
    367          */ 
    368         private boolean isConfidenceLabel(String value) { 
    369                 if(value.length()>= 10 && value.substring(0, 10).equals("CONFIDENCE")) { 
    370                         return true; 
    371                 } 
    372                  
    373                 return false; 
    374         } 
    375  
    376          
    377         /** 
    378          * Returns if a filename ends with ".decent" 
    379          * @return 
    380          */ 
    381         @Override 
    382         public boolean filenameFilter(String filename) { 
    383                 return filename.endsWith(".decent"); 
    384         } 
    385          
    386         /** 
    387          * Helper method for executing a eol scripts and adding the log model beforehand 
    388          * @param module module to execute 
    389          * @param logModelLocation location of the log model 
    390          * @throws Exception 
    391          */ 
    392         private void execute(IEolExecutableModule module, String logModelLocation) 
    393                         throws Exception { 
    394                 IModel logModel = modelHandler.getLOGModel(logModelLocation, true, true); 
    395                 module.getContext().getModelRepository().addModel(logModel); 
    396                 module.execute(); 
    397                 logModel.dispose(); 
    398         } 
    399  
    400         /** 
    401          * Loads the module from a given source 
    402          *  
    403          * @param source where the module is (e.g. eol script) 
    404          * @return 
    405          * @throws Exception 
    406          * @throws URISyntaxException 
    407          */ 
    408         private IEolExecutableModule loadModule(String source) throws Exception, 
    409         URISyntaxException { 
    410  
    411                 IEolExecutableModule module = null; 
    412                 if (source.endsWith("etl")) { 
    413                         module = new EtlModule(); 
    414                 } else if (source.endsWith("eol")) { 
    415                         module = new EolModule(); 
    416                 } else { 
    417                  
    418                 } 
    419                  
    420                 module.parse(modelHandler.getFile(source)); 
    421                  
    422                 if (module.getParseProblems().size() > 0) { 
    423                         Console.printerrln("Parse error occured..."); 
    424                         for (ParseProblem problem : module.getParseProblems()) { 
    425                                 System.err.println(problem.toString()); 
    426                         } 
    427                         // System.exit(-1); 
    428                 } 
    429                  
    430                 return module; 
    431         } 
    432          
    433         /** 
    434          * Helper method for registering the metamodels 
    435          * @throws Exception 
    436          */ 
    437         private void registerMetaModels() throws Exception { 
    438                 String metaModelsPath = DECENTEpsilonModelHandler.metaPath; 
    439                 File metaModelsLocation = new File(metaModelsPath); 
    440                 for (File file : metaModelsLocation.listFiles()) { 
    441                         if (file.getName().endsWith(".ecore")) { 
    442                                 EmfUtil.register(URI.createFileURI(file.getAbsolutePath()), EPackage.Registry.INSTANCE); 
    443                         } 
    444                 } 
    445         } 
    446          
     60public class DecentDataLoader implements SingleVersionLoader { 
     61 
     62    // Model Handler for Decent Models 
     63    private DECENTEpsilonModelHandler modelHandler = new DECENTEpsilonModelHandler(); 
     64 
     65    // Set log level 
     66    String logLevel = "1"; 
     67    String logToFile = "false"; 
     68 
     69    // This list contains attributes, that should be removed before building the arff file 
     70    private static List<String> attributeFilter = new LinkedList<String>(); 
     71 
     72    // This list contains all names of the different artifacts 
     73    private static Set<String> artifactNames = new LinkedHashSet<String>(); 
     74 
     75    // Name of the class attribute. 
     76    private static final String classAttributeName = "LABEL.Artifact.Target.BugFix.AverageWeight"; 
     77 
     78    private int getIndexOfArtifactName(String artifactName) { 
     79        int index = -1; 
     80        if (artifactNames.contains(artifactName)) { 
     81            int i = 0; 
     82            for (String nameInSet : artifactNames) { 
     83                if (nameInSet.equals(artifactName)) { 
     84                    index = i; 
     85                } 
     86                else { 
     87                    i++; 
     88                } 
     89            } 
     90        } 
     91 
     92        return index; 
     93    } 
     94 
     95    /** 
     96     * Defines attributes, that should be removed before building the ARFF File from. 
     97     */ 
     98    private void setAttributeFilter() { 
     99        attributeFilter.add("Agent.Name"); 
     100 
     101    } 
     102 
     103    /** 
     104     * Saves the dataset as arff after transformation (decent->arffx) and filtering 
     105     *  
     106     * @param dataSet 
     107     *            the WEKA dataset to save 
     108     * @param arffLocation 
     109     *            location where it should be saved to 
     110     */ 
     111    public void save(Instances dataSet, String arffLocation) { 
     112 
     113        ArffSaver saver = new ArffSaver(); 
     114        saver.setInstances(dataSet); 
     115        try { 
     116            saver.setFile(new File(arffLocation)); 
     117            saver.writeBatch(); 
     118        } 
     119        catch (IOException e) { 
     120            Console.printerrln("Cannot save the file to path: " + arffLocation); 
     121            e.printStackTrace(); 
     122        } 
     123    } 
     124 
     125    /** 
     126     * Loads the given decent file and tranform it from decent->arffx->arff 
     127     *  
     128     * @return Instances in WEKA format 
     129     */ 
     130    @Override 
     131    public Instances load(File file) { 
     132 
     133        // Set attributeFilter 
     134        setAttributeFilter(); 
     135 
     136        // Register MetaModels 
     137        try { 
     138            registerMetaModels(); 
     139        } 
     140        catch (Exception e1) { 
     141            Console.printerrln("Metamodels cannot be registered!"); 
     142            e1.printStackTrace(); 
     143        } 
     144 
     145        // Set location of decent and arffx Model 
     146        String decentModelLocation = file.getAbsolutePath(); 
     147        String pathToDecentModelFolder = 
     148            decentModelLocation.substring(0, decentModelLocation.lastIndexOf(File.separator)); 
     149        String arffxModelLocation = pathToDecentModelFolder + "/model.arffx"; 
     150        String logModelLocation = pathToDecentModelFolder + "/model.log"; 
     151        String arffLocation = pathToDecentModelFolder + "/model.arff"; 
     152 
     153        // If arff File exists, load from it! 
     154        if (new File(arffLocation).exists()) { 
     155            System.out.println("Loading arff File..."); 
     156            BufferedReader reader; 
     157            Instances data = null; 
     158            try { 
     159                reader = new BufferedReader(new FileReader(arffLocation)); 
     160                data = new Instances(reader); 
     161                reader.close(); 
     162            } 
     163            catch (FileNotFoundException e) { 
     164                Console.printerrln("File with path: " + arffLocation + " was not found."); 
     165                e.printStackTrace(); 
     166            } 
     167            catch (IOException e) { 
     168                Console.printerrln("File with path: " + arffLocation + " cannot be read."); 
     169                e.printStackTrace(); 
     170            } 
     171 
     172            // Set class attribute if not set 
     173            if (data.classIndex() == -1) { 
     174                Attribute classAttribute = data.attribute(classAttributeName); 
     175                data.setClass(classAttribute); 
     176            } 
     177 
     178            return data; 
     179        } 
     180 
     181        // Location of EOL Scripts 
     182        String preprocess = "./decent/epsilon/query/preprocess.eol"; 
     183        String arffxToArffSource = "./decent/epsilon/query/addLabels.eol"; 
     184 
     185        // Set Log Properties 
     186        System.setProperty("epsilon.logLevel", logLevel); 
     187        System.setProperty("epsilon.logToFile", logToFile); 
     188        System.setProperty("epsilon.logFileAvailable", "false"); 
     189 
     190        // Set decent2arffx Properties 
     191        System.setProperty("epsilon.transformation.decent2arffx.skipSource", "false"); 
     192        System.setProperty("epsilon.transformation.decent2arffx.type", "code"); 
     193 
     194        // Preprocess Data, transform from decent2arffx 
     195        try { 
     196            IEolExecutableModule preProcessModule = loadModule(preprocess); 
     197            IModel preProcessDecentModel = 
     198                modelHandler.getDECENTModel(decentModelLocation, true, true); 
     199            IModel preProcessArffxarffxModel = 
     200                modelHandler.getARFFxModel(arffxModelLocation, false, true); 
     201            preProcessModule.getContext().getModelRepository().addModel(preProcessDecentModel); 
     202            preProcessModule.getContext().getModelRepository().addModel(preProcessArffxarffxModel); 
     203            execute(preProcessModule, logModelLocation); 
     204            preProcessDecentModel.dispose(); 
     205            preProcessArffxarffxModel.dispose(); 
     206            preProcessModule.reset(); 
     207        } 
     208        catch (URISyntaxException e) { 
     209            Console.printerrln("URI Syntax for decent or arffx model is wrong."); 
     210            e.printStackTrace(); 
     211        } 
     212        catch (Exception e) { 
     213            e.printStackTrace(); 
     214        } 
     215 
     216        // Transform to arff, for label and confidence attributes 
     217        try { 
     218            IEolExecutableModule arffxToArffModule = loadModule(arffxToArffSource); 
     219            IModel arffxToArffArffxModel = 
     220                modelHandler.getARFFxModel(arffxModelLocation, true, true); 
     221            arffxToArffModule.getContext().getModelRepository().addModel(arffxToArffArffxModel); 
     222            execute(arffxToArffModule, logModelLocation); 
     223            arffxToArffArffxModel.dispose(); 
     224            // can be stored and retained alternatively 
     225            arffxToArffModule.reset(); 
     226        } 
     227        catch (URISyntaxException e) { 
     228            Console.printerrln("URI Syntax for arffx model is wrong."); 
     229            e.printStackTrace(); 
     230        } 
     231        catch (Exception e) { 
     232            e.printStackTrace(); 
     233        } 
     234 
     235        // Unregister MetaModels, otherwise cast will fail 
     236        HashMap<String, Object> metaModelCache = new HashMap<>(); 
     237        for (String key : EPackage.Registry.INSTANCE.keySet()) { 
     238            metaModelCache.put(key, EPackage.Registry.INSTANCE.get(key)); 
     239        }; 
     240 
     241        for (String key : metaModelCache.keySet()) { 
     242            EPackage.Registry.INSTANCE.remove(key); 
     243        }; 
     244 
     245        // Workaround to gernerate a usable URI. Absolute path is not 
     246        // possible, therefore we need to construct a relative path 
     247 
     248        URL location = DecentDataLoader.class.getProtectionDomain().getCodeSource().getLocation(); 
     249        String basePath = location.getFile(); 
     250 
     251        // Location is the bin folder, so we need to delete the last 4 characters 
     252        basePath = basePath.substring(0, basePath.length() - 4); 
     253        String relativePath = 
     254            new File(basePath).toURI().relativize(new File(arffxModelLocation).toURI()).getPath(); 
     255 
     256        // Loard arffx file and create WEKA Instances 
     257        ARFFxResourceTool tool = new ARFFxResourceTool(); 
     258        Resource resource = tool.loadResourceFromXMI(relativePath, "arffx"); 
     259 
     260        Instances dataSet = null; 
     261        for (EObject o : resource.getContents()) { 
     262            Model m = (Model) o; 
     263            dataSet = createWekaDataFormat(m); 
     264 
     265            for (Instance i : m.getData()) { 
     266                createWekaInstance(dataSet, i); 
     267            } 
     268        } 
     269 
     270        // Set class attribute 
     271        Attribute classAttribute = dataSet.attribute(classAttributeName); 
     272        dataSet.setClass(classAttribute); 
     273 
     274        // Save as ARFF 
     275        save(dataSet, arffLocation); 
     276 
     277        return dataSet; 
     278 
     279    } 
     280 
     281    /** 
     282     * Creates a WekaInstance from an ARFFX Model Instance 
     283     *  
     284     * @param dataSet 
     285     *            WekaInstance dataset, where the arffx model instances should be added to 
     286     * @param i 
     287     *            arffx model instance 
     288     */ 
     289    private void createWekaInstance(Instances dataSet, Instance i) { 
     290        double[] values = new double[dataSet.numAttributes()]; 
     291        int j = 0; 
     292 
     293        for (Value value : i.getValues()) { 
     294            String dataValue = value.getContent(); 
     295            String attributeName = value.getOfAttribute().getName(); 
     296 
     297            if (attributeFilter.contains(attributeName)) { 
     298                continue; 
     299            } 
     300 
     301            // Is value a LABEL.* attribute? 
     302            if (isLabel(attributeName)) { 
     303                values[j] = dataSet.attribute(j).indexOfValue(dataValue); 
     304            } 
     305            else if (isConfidenceLabel(attributeName)) { 
     306                // Is value a CONFIDENCE.* attribute? 
     307                values[j] = dataSet.attribute(j).indexOfValue(dataValue); 
     308            } 
     309            else if (attributeName.equals("Artifact.Name")) { 
     310                // Is it the name of the artifact? 
     311                artifactNames.add(dataValue); 
     312                values[j] = getIndexOfArtifactName(dataValue); 
     313            } 
     314            else { 
     315                // Is it a numeric value? 
     316                values[j] = Double.parseDouble(dataValue); 
     317            } 
     318 
     319            j++; 
     320        } 
     321 
     322        DenseInstance inst = new DenseInstance(1.0, values); 
     323        dataSet.add(inst); 
     324    } 
     325 
     326    /** 
     327     * Creates a Weka Instances set out of a arffx model 
     328     *  
     329     * @param m 
     330     *            arffx model 
     331     * @return 
     332     */ 
     333    private Instances createWekaDataFormat(Model m) { 
     334 
     335        // Bad solution, can be enhanced (continue in for loop) 
     336        ArrayList<Attribute> datasetAttributes = new ArrayList<Attribute>(); 
     337        for (de.ugoe.cs.cpdp.decentApp.models.arffx.Attribute attribute : m.getAttributes()) { 
     338            String attributeName = attribute.getName(); 
     339 
     340            if (attributeFilter.contains(attributeName)) { 
     341                continue; 
     342            } 
     343 
     344            Attribute wekaAttr; 
     345 
     346            // Is attribute a LABEL.* attribute? 
     347            if (isLabel(attributeName)) { 
     348                // Classattribute 
     349                final ArrayList<String> classAttVals = new ArrayList<String>(); 
     350                classAttVals.add("false"); 
     351                classAttVals.add("true"); 
     352                wekaAttr = new Attribute(attributeName, classAttVals); 
     353            } 
     354            else if (isConfidenceLabel(attributeName)) { 
     355                // Is attribute a CONFIDENCE.* attribute? 
     356                ArrayList<String> labels = new ArrayList<String>(); 
     357                labels.add("high"); 
     358                labels.add("low"); 
     359                wekaAttr = new Attribute(attributeName, labels); 
     360            } 
     361            else { 
     362                // Is it a numeric attribute? 
     363                wekaAttr = new Attribute(attributeName); 
     364            } 
     365 
     366            datasetAttributes.add(wekaAttr); 
     367        } 
     368 
     369        return new Instances("test-dataset", datasetAttributes, 0); 
     370    } 
     371 
     372    /** 
     373     * Helper methods which indicates if the given value starts with "LABEL" 
     374     *  
     375     * @param value 
     376     *            to test 
     377     * @return 
     378     */ 
     379    private boolean isLabel(String value) { 
     380        if (value.length() >= 5 && value.substring(0, 5).equals("LABEL")) { 
     381            return true; 
     382        } 
     383 
     384        return false; 
     385    } 
     386 
     387    /** 
     388     * Helper method which indicates if the given value starts with "CONFIDENCE" 
     389     *  
     390     * @param value 
     391     *            to test 
     392     * @return 
     393     */ 
     394    private boolean isConfidenceLabel(String value) { 
     395        if (value.length() >= 10 && value.substring(0, 10).equals("CONFIDENCE")) { 
     396            return true; 
     397        } 
     398 
     399        return false; 
     400    } 
     401 
     402    /** 
     403     * Returns if a filename ends with ".decent" 
     404     *  
     405     * @return 
     406     */ 
     407    @Override 
     408    public boolean filenameFilter(String filename) { 
     409        return filename.endsWith(".decent"); 
     410    } 
     411 
     412    /** 
     413     * Helper method for executing a eol scripts and adding the log model beforehand 
     414     *  
     415     * @param module 
     416     *            module to execute 
     417     * @param logModelLocation 
     418     *            location of the log model 
     419     * @throws Exception 
     420     */ 
     421    private void execute(IEolExecutableModule module, String logModelLocation) throws Exception { 
     422        IModel logModel = modelHandler.getLOGModel(logModelLocation, true, true); 
     423        module.getContext().getModelRepository().addModel(logModel); 
     424        module.execute(); 
     425        logModel.dispose(); 
     426    } 
     427 
     428    /** 
     429     * Loads the module from a given source 
     430     *  
     431     * @param source 
     432     *            where the module is (e.g. eol script) 
     433     * @return 
     434     * @throws Exception 
     435     * @throws URISyntaxException 
     436     */ 
     437    private IEolExecutableModule loadModule(String source) throws Exception, URISyntaxException { 
     438 
     439        IEolExecutableModule module = null; 
     440        if (source.endsWith("etl")) { 
     441            module = new EtlModule(); 
     442        } 
     443        else if (source.endsWith("eol")) { 
     444            module = new EolModule(); 
     445        } 
     446        else { 
     447 
     448        } 
     449 
     450        module.parse(modelHandler.getFile(source)); 
     451 
     452        if (module.getParseProblems().size() > 0) { 
     453            Console.printerrln("Parse error occured..."); 
     454            for (ParseProblem problem : module.getParseProblems()) { 
     455                System.err.println(problem.toString()); 
     456            } 
     457            // System.exit(-1); 
     458        } 
     459 
     460        return module; 
     461    } 
     462 
     463    /** 
     464     * Helper method for registering the metamodels 
     465     *  
     466     * @throws Exception 
     467     */ 
     468    private void registerMetaModels() throws Exception { 
     469        String metaModelsPath = DECENTEpsilonModelHandler.metaPath; 
     470        File metaModelsLocation = new File(metaModelsPath); 
     471        for (File file : metaModelsLocation.listFiles()) { 
     472            if (file.getName().endsWith(".ecore")) { 
     473                EmfUtil.register(URI.createFileURI(file.getAbsolutePath()), 
     474                                 EPackage.Registry.INSTANCE); 
     475            } 
     476        } 
     477    } 
     478 
    447479} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/DecentFolderLoader.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1630public class DecentFolderLoader extends AbstractFolderLoader { 
    1731 
    18         /* 
    19          * (non-Javadoc) 
    20          *  
    21          * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
    22          */ 
    23         @Override 
    24         protected SingleVersionLoader getSingleLoader() { 
    25                 return new DecentDataLoader(); 
    26         } 
    27          
    28         /** 
    29          * @see de.ugoe.cs.cpdp.loader.IVersionLoader#load() 
    30          */ 
    31         @Override 
    32         public List<SoftwareVersion> load() { 
    33                 final List<SoftwareVersion> versions = new LinkedList<SoftwareVersion>(); 
     32    /* 
     33     * (non-Javadoc) 
     34     *  
     35     * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
     36     */ 
     37    @Override 
     38    protected SingleVersionLoader getSingleLoader() { 
     39        return new DecentDataLoader(); 
     40    } 
    3441 
    35                 final File dataDir = new File(path); 
    36                 final SingleVersionLoader instancesLoader = getSingleLoader(); 
     42    /** 
     43     * @see de.ugoe.cs.cpdp.loader.IVersionLoader#load() 
     44     */ 
     45    @Override 
     46    public List<SoftwareVersion> load() { 
     47        final List<SoftwareVersion> versions = new LinkedList<SoftwareVersion>(); 
    3748 
    38                 String projectName = dataDir.getName(); 
    39                  
    40                  
    41                 /* 
    42                  * The following lines make it possible, that we can have two different possibilities 
    43                  * to load data: 
    44                  * 1) From one project (e.g. /decent/input/project1) 
    45                  * 2) From more than one project (e.g. /decent/input/) 
    46                  *  
    47                  * Requirement is, that we have a folder structure like this: 
    48                  * "/decent/input/project1/model.decent, /decent/input/project2/model.decent, ..." 
    49                  *  
    50                  * In the first one the "else" is executed, therefore it will just search the folder "project1" 
    51                  * for a "model.decent" file. In the second one, it will look into each folder and searches for 
    52                  * "model.decent" files. 
    53                  */ 
    54                 for (File projectDir : dataDir.listFiles()) { 
    55                         if (projectDir.isDirectory()) { 
    56                                 projectName = projectDir.getName(); 
    57                                 for (File versionFile : projectDir.listFiles()) { 
    58                                         loadDataFromFile(versionFile,instancesLoader, projectName, versions); 
    59                                 } 
    60                         } else { 
    61                                 loadDataFromFile(projectDir, instancesLoader, projectName, versions); 
    62                         } 
    63                 } 
    64                 return versions; 
    65         } 
    66          
    67         /** 
    68          * Loads data from a file and adds the instances from the load method to the  
    69          * versions List. 
    70          *  
    71          * @param versionFile file to load from 
    72          * @param instancesLoader loader that should be used 
    73          * @param projectName name of the project which was loaded 
    74          * @param versions list, where the weka instances are added to 
    75          */ 
    76          
    77         private void loadDataFromFile(File versionFile,  
    78                         SingleVersionLoader instancesLoader, String projectName, List<SoftwareVersion> versions) { 
    79                 if (versionFile.isFile() 
    80                                 && instancesLoader.filenameFilter(versionFile 
    81                                                 .getName())) { 
    82                         String versionName = versionFile.getName(); 
    83                         Instances data = instancesLoader.load(versionFile); 
    84                         versions.add(new SoftwareVersion(projectName, 
    85                                         versionName, data)); 
    86                 } 
    87         } 
     49        final File dataDir = new File(path); 
     50        final SingleVersionLoader instancesLoader = getSingleLoader(); 
     51 
     52        String projectName = dataDir.getName(); 
     53 
     54        /* 
     55         * The following lines make it possible, that we can have two different possibilities to 
     56         * load data: 1) From one project (e.g. /decent/input/project1) 2) From more than one 
     57         * project (e.g. /decent/input/) 
     58         *  
     59         * Requirement is, that we have a folder structure like this: 
     60         * "/decent/input/project1/model.decent, /decent/input/project2/model.decent, ..." 
     61         *  
     62         * In the first one the "else" is executed, therefore it will just search the folder 
     63         * "project1" for a "model.decent" file. In the second one, it will look into each folder 
     64         * and searches for "model.decent" files. 
     65         */ 
     66        for (File projectDir : dataDir.listFiles()) { 
     67            if (projectDir.isDirectory()) { 
     68                projectName = projectDir.getName(); 
     69                for (File versionFile : projectDir.listFiles()) { 
     70                    loadDataFromFile(versionFile, instancesLoader, projectName, versions); 
     71                } 
     72            } 
     73            else { 
     74                loadDataFromFile(projectDir, instancesLoader, projectName, versions); 
     75            } 
     76        } 
     77        return versions; 
     78    } 
     79 
     80    /** 
     81     * Loads data from a file and adds the instances from the load method to the versions List. 
     82     *  
     83     * @param versionFile 
     84     *            file to load from 
     85     * @param instancesLoader 
     86     *            loader that should be used 
     87     * @param projectName 
     88     *            name of the project which was loaded 
     89     * @param versions 
     90     *            list, where the weka instances are added to 
     91     */ 
     92 
     93    private void loadDataFromFile(File versionFile, 
     94                                  SingleVersionLoader instancesLoader, 
     95                                  String projectName, 
     96                                  List<SoftwareVersion> versions) 
     97    { 
     98        if (versionFile.isFile() && instancesLoader.filenameFilter(versionFile.getName())) { 
     99            String versionName = versionFile.getName(); 
     100            Instances data = instancesLoader.load(versionFile); 
     101            versions.add(new SoftwareVersion(projectName, versionName, data)); 
     102        } 
     103    } 
    88104 
    89105} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/IDecentVersionLoader.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    519import de.ugoe.cs.cpdp.versions.SoftwareVersion; 
    620 
    7 public interface IDecentVersionLoader extends IVersionLoader{ 
    8          
    9         public List<SoftwareVersion> load(List<String> decentAttributes); 
     21public interface IDecentVersionLoader extends IVersionLoader { 
     22 
     23    public List<SoftwareVersion> load(List<String> decentAttributes); 
    1024 
    1125} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/IVersionLoader.java

    r32 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1226public interface IVersionLoader { 
    1327 
    14         /** 
    15         * Sets the location of the data. 
    16         *  
    17         * @param location 
    18         *            location of the data 
    19         */ 
    20         public void setLocation(String location); 
     28    /** 
     29    * Sets the location of the data. 
     30    *  
     31    * @param location 
     32    *            location of the data 
     33    */ 
     34    public void setLocation(String location); 
    2135 
    22         /** 
    23         * Loads the data. 
    24         *  
    25         * @return the data 
    26         */ 
    27         public List<SoftwareVersion> load(); 
     36    /** 
     37    * Loads the data. 
     38    *  
     39    * @return the data 
     40    */ 
     41    public List<SoftwareVersion> load(); 
    2842 
    2943} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/NasaARFFFolderLoader.java

    r4 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
    317/** 
    4  * Implements the {@link AbstractFolderLoader} for the NASA/SOFTLAB/MDP data 
    5  * set. 
     18 * Implements the {@link AbstractFolderLoader} for the NASA/SOFTLAB/MDP data set. 
    619 *  
    720 * @author Steffen Herbold 
     
    922public class NasaARFFFolderLoader extends AbstractFolderLoader { 
    1023 
    11         /* 
    12         * (non-Javadoc) 
    13         *  
    14         * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
    15         */ 
    16         @Override 
    17         protected SingleVersionLoader getSingleLoader() { 
    18                 return new NasaARFFLoader(); 
    19         } 
     24    /* 
     25    * (non-Javadoc) 
     26    *  
     27    * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader#getSingleLoader() 
     28    */ 
     29    @Override 
     30    protected SingleVersionLoader getSingleLoader() { 
     31        return new NasaARFFLoader(); 
     32    } 
    2033 
    2134} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/NasaARFFLoader.java

    r4 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    1630 
    1731/** 
    18  * Loads the instances for a software version from an ARFF file of the 
    19  * NASA/SOFTLAB/MDP data. 
     32 * Loads the instances for a software version from an ARFF file of the NASA/SOFTLAB/MDP data. 
    2033 *  
    2134 * @author Steffen Herbold 
     
    2336public class NasaARFFLoader implements SingleVersionLoader { 
    2437 
    25         /** 
    26          * used to map attributes the same attribute with different names to each 
    27          * other 
    28          */ 
    29         Map<String, String> attributeNameMap; 
    30  
    31         /** 
    32          * used to ensure that the attribute order is the same after loading 
    33          */ 
    34         List<String> attributeOrder; 
    35  
    36         /** 
    37          * Constructor. Creates a new NasaARFFLoader. 
    38          */ 
    39         public NasaARFFLoader() { 
    40                 attributeNameMap = new HashMap<>(); 
    41  
    42                 // Map entries for ar project 
    43                 attributeNameMap.put("total_loc", "LOC_TOTAL"); 
    44                 attributeNameMap.put("comment_loc", "LOC_COMMENTS"); 
    45                 attributeNameMap.put("code_and_comment_loc", "LOC_CODE_AND_COMMENT"); 
    46                 attributeNameMap.put("executable_loc", "LOC_EXECUTABLE"); 
    47                 attributeNameMap.put("unique_operands", "NUM_UNIQUE_OPERANDS"); 
    48                 attributeNameMap.put("unique_operators", "NUM_UNIQUE_OPERATORS"); 
    49                 attributeNameMap.put("total_operands", "NUM_OPERANDS"); 
    50                 attributeNameMap.put("total_operators", "NUM_OPERATORS"); 
    51                 attributeNameMap.put("halstead_length", "HALSTEAD_LENGTH"); 
    52                 attributeNameMap.put("halstead_volume", "HALSTEAD_VOLUME"); 
    53                 attributeNameMap.put("halstead_difficulty", "HALSTEAD_DIFFICULTY"); 
    54                 attributeNameMap.put("halstead_effort", "HALSTEAD_EFFORT"); 
    55                 attributeNameMap.put("halstead_error", "HALSTEAD_ERROR_EST"); 
    56                 attributeNameMap.put("halstead_time", "HALSTEAD_PROG_TIME"); 
    57                 attributeNameMap.put("branch_count", "BRANCH_COUNT"); 
    58                 attributeNameMap.put("cyclomatic_complexity", "CYCLOMATIC_COMPLEXITY"); 
    59                 attributeNameMap.put("design_complexity", "DESIGN_COMPLEXITY"); 
    60  
    61                 // Map entries for KC2 
    62                 attributeNameMap.put("loc", "LOC_TOTAL"); 
    63                 attributeNameMap.put("lOCode", "LOC_EXECUTABLE"); 
    64                 attributeNameMap.put("lOComment", "LOC_COMMENTS"); 
    65                 attributeNameMap.put("lOCodeAndComment", "LOC_CODE_AND_COMMENT"); 
    66                 attributeNameMap.put("uniq_Op", "NUM_UNIQUE_OPERATORS"); 
    67                 attributeNameMap.put("uniq_Opnd", "NUM_UNIQUE_OPERANDS"); 
    68                 attributeNameMap.put("total_Op", "NUM_OPERATORS"); 
    69                 attributeNameMap.put("total_Opnd", "NUM_OPERANDS"); 
    70                 attributeNameMap.put("v", "HALSTEAD_VOLUME"); 
    71                 attributeNameMap.put("l", "HALSTEAD_LENGTH"); 
    72                 attributeNameMap.put("d", "HALSTEAD_DIFFICULTY"); 
    73                 attributeNameMap.put("e", "HALSTEAD_EFFORT"); 
    74                 attributeNameMap.put("b", "HALSTEAD_ERROR_EST"); 
    75                 attributeNameMap.put("t", "HALSTEAD_PROG_TIME"); 
    76                 attributeNameMap.put("branchCount", "BRANCH_COUNT"); 
    77                 attributeNameMap.put("v(g)", "CYCLOMATIC_COMPLEXITY"); 
    78                 attributeNameMap.put("iv(g)", "DESIGN_COMPLEXITY"); 
    79  
    80                 attributeNameMap.put("defects", "bug"); 
    81                 attributeNameMap.put("Defective", "bug"); 
    82                 attributeNameMap.put("problems", "bug"); 
    83                 attributeNameMap.put("label", "bug"); 
    84  
    85                 // build list with normalized attribute order 
    86                 attributeOrder = new LinkedList<>(); 
    87  
    88                 attributeOrder.add("LOC_TOTAL"); 
    89                 attributeOrder.add("LOC_EXECUTABLE"); 
    90                 attributeOrder.add("LOC_COMMENTS"); 
    91                 attributeOrder.add("LOC_CODE_AND_COMMENT"); 
    92                 attributeOrder.add("NUM_UNIQUE_OPERATORS"); 
    93                 attributeOrder.add("NUM_UNIQUE_OPERANDS"); 
    94                 attributeOrder.add("NUM_OPERATORS"); 
    95                 attributeOrder.add("NUM_OPERANDS"); 
    96                 attributeOrder.add("HALSTEAD_VOLUME"); 
    97                 attributeOrder.add("HALSTEAD_LENGTH"); 
    98                 attributeOrder.add("HALSTEAD_DIFFICULTY"); 
    99                 attributeOrder.add("HALSTEAD_EFFORT"); 
    100                 attributeOrder.add("HALSTEAD_ERROR_EST"); 
    101                 attributeOrder.add("HALSTEAD_PROG_TIME"); 
    102                 attributeOrder.add("BRANCH_COUNT"); 
    103                 attributeOrder.add("CYCLOMATIC_COMPLEXITY"); 
    104                 attributeOrder.add("DESIGN_COMPLEXITY"); 
    105                 attributeOrder.add("bug"); 
    106         } 
    107  
    108         /* 
    109          * (non-Javadoc) 
    110          *  
    111          * @see de.ugoe.cs.cpdp.loader.SingleVersionLoader#load(java.io.File) 
    112          */ 
    113         @Override 
    114         public Instances load(File file) { 
    115                 BufferedReader reader; 
    116                 Instances data; 
    117                 try { 
    118                         reader = new BufferedReader(new FileReader(file)); 
    119                         data = new Instances(reader); 
    120                         reader.close(); 
    121                 } catch (IOException e) { 
    122                         throw new RuntimeException("Error reading data", e); 
    123                 } 
    124  
    125                 // setting class attribute 
    126                 data.setClassIndex(data.numAttributes() - 1); 
    127  
    128                 // normalize attribute names 
    129                 for (int i = 0; i < data.numAttributes(); i++) { 
    130                         String mapValue = attributeNameMap.get(data.attribute(i).name()); 
    131                         if (mapValue != null) { 
    132                                 data.renameAttribute(i, mapValue); 
    133                         } 
    134                 } 
    135  
    136                 // determine new attribute order (unwanted attributes are implicitly 
    137                 // removed 
    138                 String orderString = ""; 
    139                 for (String attName : attributeOrder) { 
    140                         for (int i = 0; i < data.numAttributes(); i++) { 
    141                                 if (attName.equals(data.attribute(i).name())) { 
    142                                         orderString += (i + 1) + ","; 
    143                                 } 
    144                         } 
    145                 } 
    146                 orderString = orderString.substring(0, orderString.length() - 1); 
    147  
    148                 String relationName = data.relationName(); 
    149                 String[] options = new String[2]; 
    150                 options[0] = "-R"; 
    151                 options[1] = orderString; 
    152                 Reorder reorder = new Reorder(); 
    153                 try { 
    154                         reorder.setOptions(options); 
    155                         reorder.setInputFormat(data); 
    156                         data = Filter.useFilter(data, reorder); 
    157                 } catch (Exception e) { 
    158                         throw new RuntimeException("Error while reordering the data", e); 
    159                 } 
    160                 if (data.numAttributes() != attributeOrder.size()) { 
    161                         throw new RuntimeException( 
    162                                         "Invalid number of attributes; filename: " + file.getName()); 
    163                 } 
    164  
    165                 // normalize bug nominal values 
    166                 Add add = new Add(); 
    167                 add.setAttributeIndex("last"); 
    168                 add.setNominalLabels("0,1"); 
    169                 add.setAttributeName("bug-new"); 
    170                 try { 
    171                         add.setInputFormat(data); 
    172                         data = Filter.useFilter(data, add); 
    173                 } catch (Exception e) { 
    174                         throw new RuntimeException( 
    175                                         "Error while normalizing the bug nonminal values", e); 
    176                 } 
    177                 data.setRelationName(relationName); 
    178  
    179                 double classValue; 
    180  
    181                 String firstValue = data.classAttribute().enumerateValues() 
    182                                 .nextElement().toString(); 
    183                 if (firstValue.equals("Y") || firstValue.equals("yes") 
    184                                 || firstValue.equals("true")) { 
    185                         classValue = 0.0; 
    186                 } else { 
    187                         classValue = 1.0; 
    188                 } 
    189  
    190                 for (int i = 0; i < data.numInstances(); i++) { 
    191                         if (data.instance(i).classValue() == classValue) { 
    192                                 data.instance(i).setValue(data.classIndex() + 1, 1.0); 
    193                         } else { 
    194                                 data.instance(i).setValue(data.classIndex() + 1, 0.0); 
    195                         } 
    196                 } 
    197  
    198                 int oldClassIndex = data.classIndex(); 
    199                 data.setClassIndex(oldClassIndex + 1); 
    200                 data.deleteAttributeAt(oldClassIndex); 
    201  
    202                 return data; 
    203         } 
    204  
    205         /* 
    206         * (non-Javadoc) 
    207         *  
    208         * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader# 
    209         * filenameFilter(java.lang.String) 
    210         */ 
    211         @Override 
    212         public boolean filenameFilter(String filename) { 
    213                 return filename.endsWith(".arff"); 
    214         } 
     38    /** 
     39     * used to map attributes the same attribute with different names to each other 
     40     */ 
     41    Map<String, String> attributeNameMap; 
     42 
     43    /** 
     44     * used to ensure that the attribute order is the same after loading 
     45     */ 
     46    List<String> attributeOrder; 
     47 
     48    /** 
     49     * Constructor. Creates a new NasaARFFLoader. 
     50     */ 
     51    public NasaARFFLoader() { 
     52        attributeNameMap = new HashMap<>(); 
     53 
     54        // Map entries for ar project 
     55        attributeNameMap.put("total_loc", "LOC_TOTAL"); 
     56        attributeNameMap.put("comment_loc", "LOC_COMMENTS"); 
     57        attributeNameMap.put("code_and_comment_loc", "LOC_CODE_AND_COMMENT"); 
     58        attributeNameMap.put("executable_loc", "LOC_EXECUTABLE"); 
     59        attributeNameMap.put("unique_operands", "NUM_UNIQUE_OPERANDS"); 
     60        attributeNameMap.put("unique_operators", "NUM_UNIQUE_OPERATORS"); 
     61        attributeNameMap.put("total_operands", "NUM_OPERANDS"); 
     62        attributeNameMap.put("total_operators", "NUM_OPERATORS"); 
     63        attributeNameMap.put("halstead_length", "HALSTEAD_LENGTH"); 
     64        attributeNameMap.put("halstead_volume", "HALSTEAD_VOLUME"); 
     65        attributeNameMap.put("halstead_difficulty", "HALSTEAD_DIFFICULTY"); 
     66        attributeNameMap.put("halstead_effort", "HALSTEAD_EFFORT"); 
     67        attributeNameMap.put("halstead_error", "HALSTEAD_ERROR_EST"); 
     68        attributeNameMap.put("halstead_time", "HALSTEAD_PROG_TIME"); 
     69        attributeNameMap.put("branch_count", "BRANCH_COUNT"); 
     70        attributeNameMap.put("cyclomatic_complexity", "CYCLOMATIC_COMPLEXITY"); 
     71        attributeNameMap.put("design_complexity", "DESIGN_COMPLEXITY"); 
     72 
     73        // Map entries for KC2 
     74        attributeNameMap.put("loc", "LOC_TOTAL"); 
     75        attributeNameMap.put("lOCode", "LOC_EXECUTABLE"); 
     76        attributeNameMap.put("lOComment", "LOC_COMMENTS"); 
     77        attributeNameMap.put("lOCodeAndComment", "LOC_CODE_AND_COMMENT"); 
     78        attributeNameMap.put("uniq_Op", "NUM_UNIQUE_OPERATORS"); 
     79        attributeNameMap.put("uniq_Opnd", "NUM_UNIQUE_OPERANDS"); 
     80        attributeNameMap.put("total_Op", "NUM_OPERATORS"); 
     81        attributeNameMap.put("total_Opnd", "NUM_OPERANDS"); 
     82        attributeNameMap.put("v", "HALSTEAD_VOLUME"); 
     83        attributeNameMap.put("l", "HALSTEAD_LENGTH"); 
     84        attributeNameMap.put("d", "HALSTEAD_DIFFICULTY"); 
     85        attributeNameMap.put("e", "HALSTEAD_EFFORT"); 
     86        attributeNameMap.put("b", "HALSTEAD_ERROR_EST"); 
     87        attributeNameMap.put("t", "HALSTEAD_PROG_TIME"); 
     88        attributeNameMap.put("branchCount", "BRANCH_COUNT"); 
     89        attributeNameMap.put("v(g)", "CYCLOMATIC_COMPLEXITY"); 
     90        attributeNameMap.put("iv(g)", "DESIGN_COMPLEXITY"); 
     91 
     92        attributeNameMap.put("defects", "bug"); 
     93        attributeNameMap.put("Defective", "bug"); 
     94        attributeNameMap.put("problems", "bug"); 
     95        attributeNameMap.put("label", "bug"); 
     96 
     97        // build list with normalized attribute order 
     98        attributeOrder = new LinkedList<>(); 
     99 
     100        attributeOrder.add("LOC_TOTAL"); 
     101        attributeOrder.add("LOC_EXECUTABLE"); 
     102        attributeOrder.add("LOC_COMMENTS"); 
     103        attributeOrder.add("LOC_CODE_AND_COMMENT"); 
     104        attributeOrder.add("NUM_UNIQUE_OPERATORS"); 
     105        attributeOrder.add("NUM_UNIQUE_OPERANDS"); 
     106        attributeOrder.add("NUM_OPERATORS"); 
     107        attributeOrder.add("NUM_OPERANDS"); 
     108        attributeOrder.add("HALSTEAD_VOLUME"); 
     109        attributeOrder.add("HALSTEAD_LENGTH"); 
     110        attributeOrder.add("HALSTEAD_DIFFICULTY"); 
     111        attributeOrder.add("HALSTEAD_EFFORT"); 
     112        attributeOrder.add("HALSTEAD_ERROR_EST"); 
     113        attributeOrder.add("HALSTEAD_PROG_TIME"); 
     114        attributeOrder.add("BRANCH_COUNT"); 
     115        attributeOrder.add("CYCLOMATIC_COMPLEXITY"); 
     116        attributeOrder.add("DESIGN_COMPLEXITY"); 
     117        attributeOrder.add("bug"); 
     118    } 
     119 
     120    /* 
     121     * (non-Javadoc) 
     122     *  
     123     * @see de.ugoe.cs.cpdp.loader.SingleVersionLoader#load(java.io.File) 
     124     */ 
     125    @Override 
     126    public Instances load(File file) { 
     127        BufferedReader reader; 
     128        Instances data; 
     129        try { 
     130            reader = new BufferedReader(new FileReader(file)); 
     131            data = new Instances(reader); 
     132            reader.close(); 
     133        } 
     134        catch (IOException e) { 
     135            throw new RuntimeException("Error reading data", e); 
     136        } 
     137 
     138        // setting class attribute 
     139        data.setClassIndex(data.numAttributes() - 1); 
     140 
     141        // normalize attribute names 
     142        for (int i = 0; i < data.numAttributes(); i++) { 
     143            String mapValue = attributeNameMap.get(data.attribute(i).name()); 
     144            if (mapValue != null) { 
     145                data.renameAttribute(i, mapValue); 
     146            } 
     147        } 
     148 
     149        // determine new attribute order (unwanted attributes are implicitly 
     150        // removed 
     151        String orderString = ""; 
     152        for (String attName : attributeOrder) { 
     153            for (int i = 0; i < data.numAttributes(); i++) { 
     154                if (attName.equals(data.attribute(i).name())) { 
     155                    orderString += (i + 1) + ","; 
     156                } 
     157            } 
     158        } 
     159        orderString = orderString.substring(0, orderString.length() - 1); 
     160 
     161        String relationName = data.relationName(); 
     162        String[] options = new String[2]; 
     163        options[0] = "-R"; 
     164        options[1] = orderString; 
     165        Reorder reorder = new Reorder(); 
     166        try { 
     167            reorder.setOptions(options); 
     168            reorder.setInputFormat(data); 
     169            data = Filter.useFilter(data, reorder); 
     170        } 
     171        catch (Exception e) { 
     172            throw new RuntimeException("Error while reordering the data", e); 
     173        } 
     174        if (data.numAttributes() != attributeOrder.size()) { 
     175            throw new RuntimeException("Invalid number of attributes; filename: " + file.getName()); 
     176        } 
     177 
     178        // normalize bug nominal values 
     179        Add add = new Add(); 
     180        add.setAttributeIndex("last"); 
     181        add.setNominalLabels("0,1"); 
     182        add.setAttributeName("bug-new"); 
     183        try { 
     184            add.setInputFormat(data); 
     185            data = Filter.useFilter(data, add); 
     186        } 
     187        catch (Exception e) { 
     188            throw new RuntimeException("Error while normalizing the bug nonminal values", e); 
     189        } 
     190        data.setRelationName(relationName); 
     191 
     192        double classValue; 
     193 
     194        String firstValue = data.classAttribute().enumerateValues().nextElement().toString(); 
     195        if (firstValue.equals("Y") || firstValue.equals("yes") || firstValue.equals("true")) { 
     196            classValue = 0.0; 
     197        } 
     198        else { 
     199            classValue = 1.0; 
     200        } 
     201 
     202        for (int i = 0; i < data.numInstances(); i++) { 
     203            if (data.instance(i).classValue() == classValue) { 
     204                data.instance(i).setValue(data.classIndex() + 1, 1.0); 
     205            } 
     206            else { 
     207                data.instance(i).setValue(data.classIndex() + 1, 0.0); 
     208            } 
     209        } 
     210 
     211        int oldClassIndex = data.classIndex(); 
     212        data.setClassIndex(oldClassIndex + 1); 
     213        data.deleteAttributeAt(oldClassIndex); 
     214 
     215        return data; 
     216    } 
     217 
     218    /* 
     219    * (non-Javadoc) 
     220    *  
     221    * @see de.ugoe.cs.cpdp.loader.AbstractFolderLoader.SingleVersionLoader# 
     222    * filenameFilter(java.lang.String) 
     223    */ 
     224    @Override 
     225    public boolean filenameFilter(String filename) { 
     226        return filename.endsWith(".arff"); 
     227    } 
    215228 
    216229} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/loader/SingleVersionLoader.java

    r4 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.loader; 
    216 
     
    620 
    721/** 
    8  * Interface for version loaders, i.e., loading of a set of instances from a 
    9  * file 
     22 * Interface for version loaders, i.e., loading of a set of instances from a file 
    1023 *  
    1124 * @author Steffen Herbold 
     
    1326public interface SingleVersionLoader { 
    1427 
    15         /** 
    16         * Loads the instances. 
    17         *  
    18         * @param file 
    19         *            handle to the file of the instances 
    20         * @return the instances 
    21         */ 
    22         Instances load(File file); 
     28    /** 
     29    * Loads the instances. 
     30    *  
     31    * @param file 
     32    *            handle to the file of the instances 
     33    * @return the instances 
     34    */ 
     35    Instances load(File file); 
    2336 
    24         /** 
    25          * Defines a filter for the files to be loaded; only strings that end with 
    26          * the filter are considered. 
    27         *  
    28         * @param filename 
    29         *            string defining the filename filter 
    30         * @return true if a filename shall be considered 
    31         */ 
    32         boolean filenameFilter(String endsWith); 
     37    /** 
     38     * Defines a filter for the files to be loaded; only strings that end with the filter are 
     39     * considered. 
     40    *  
     41    * @param filename 
     42    *            string defining the filename filter 
     43    * @return true if a filename shall be considered 
     44    */ 
     45    boolean filenameFilter(String endsWith); 
    3346} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/FixClass.java

    r31 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    1428 * @author Steffen Herbold 
    1529 */ 
    16 public class FixClass extends AbstractClassifier implements ITrainingStrategy, IWekaCompatibleTrainer { 
     30public class FixClass extends AbstractClassifier implements ITrainingStrategy, 
     31    IWekaCompatibleTrainer 
     32{ 
    1733 
    18         private static final long serialVersionUID = 1L; 
     34    private static final long serialVersionUID = 1L; 
    1935 
    20         private double fixedClassValue = 0.0d; 
     36    private double fixedClassValue = 0.0d; 
    2137 
    22         /** 
    23         * Returns default capabilities of the classifier. 
    24         *  
    25         * @return the capabilities of this classifier 
    26         */ 
    27         @Override 
    28         public Capabilities getCapabilities() { 
    29                 Capabilities result = super.getCapabilities(); 
    30                 result.disableAll(); 
     38    /** 
     39    * Returns default capabilities of the classifier. 
     40    *  
     41    * @return the capabilities of this classifier 
     42    */ 
     43    @Override 
     44    public Capabilities getCapabilities() { 
     45        Capabilities result = super.getCapabilities(); 
     46        result.disableAll(); 
    3147 
    32                 // attributes 
    33                 result.enable(Capability.NOMINAL_ATTRIBUTES); 
    34                 result.enable(Capability.NUMERIC_ATTRIBUTES); 
    35                 result.enable(Capability.DATE_ATTRIBUTES); 
    36                 result.enable(Capability.STRING_ATTRIBUTES); 
    37                 result.enable(Capability.RELATIONAL_ATTRIBUTES); 
    38                 result.enable(Capability.MISSING_VALUES); 
     48        // attributes 
     49        result.enable(Capability.NOMINAL_ATTRIBUTES); 
     50        result.enable(Capability.NUMERIC_ATTRIBUTES); 
     51        result.enable(Capability.DATE_ATTRIBUTES); 
     52        result.enable(Capability.STRING_ATTRIBUTES); 
     53        result.enable(Capability.RELATIONAL_ATTRIBUTES); 
     54        result.enable(Capability.MISSING_VALUES); 
    3955 
    40                 // class 
    41                 result.enable(Capability.NOMINAL_CLASS); 
    42                 result.enable(Capability.NUMERIC_CLASS); 
    43                 result.enable(Capability.MISSING_CLASS_VALUES); 
     56        // class 
     57        result.enable(Capability.NOMINAL_CLASS); 
     58        result.enable(Capability.NUMERIC_CLASS); 
     59        result.enable(Capability.MISSING_CLASS_VALUES); 
    4460 
    45                 // instances 
    46                 result.setMinimumNumberInstances(0); 
     61        // instances 
     62        result.setMinimumNumberInstances(0); 
    4763 
    48                 return result; 
    49         } 
     64        return result; 
     65    } 
    5066 
    51         @Override 
    52         public void setOptions(String[] options) throws Exception { 
    53                 fixedClassValue = Double.parseDouble(Utils.getOption('C', options)); 
    54         } 
     67    @Override 
     68    public void setOptions(String[] options) throws Exception { 
     69        fixedClassValue = Double.parseDouble(Utils.getOption('C', options)); 
     70    } 
    5571 
    56         @Override 
    57         public double classifyInstance(Instance instance) { 
    58                 return fixedClassValue; 
    59         } 
     72    @Override 
     73    public double classifyInstance(Instance instance) { 
     74        return fixedClassValue; 
     75    } 
    6076 
    61         @Override 
    62         public void buildClassifier(Instances traindata) throws Exception { 
    63                 // do nothing 
    64         } 
     77    @Override 
     78    public void buildClassifier(Instances traindata) throws Exception { 
     79        // do nothing 
     80    } 
    6581 
    66         @Override 
    67         public void setParameter(String parameters) { 
    68                 try { 
    69                         this.setOptions(parameters.split(" ")); 
    70                 } catch (Exception e) { 
    71                         e.printStackTrace(); 
    72                 }                
    73         } 
     82    @Override 
     83    public void setParameter(String parameters) { 
     84        try { 
     85            this.setOptions(parameters.split(" ")); 
     86        } 
     87        catch (Exception e) { 
     88            e.printStackTrace(); 
     89        } 
     90    } 
    7491 
    75         @Override 
    76         public void apply(Instances traindata) { 
    77                 // do nothing! 
    78         } 
     92    @Override 
     93    public void apply(Instances traindata) { 
     94        // do nothing! 
     95    } 
    7996 
    80         @Override 
    81         public String getName() { 
    82                 return "FixClass"; 
    83         } 
     97    @Override 
     98    public String getName() { 
     99        return "FixClass"; 
     100    } 
    84101 
    85         @Override 
    86         public Classifier getClassifier() { 
    87                 return this; 
    88         } 
     102    @Override 
     103    public Classifier getClassifier() { 
     104        return this; 
     105    } 
    89106 
    90107} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/ISetWiseTrainingStrategy.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    721// Bagging Strategy: separate models for each training data set 
    822public interface ISetWiseTrainingStrategy extends ITrainer { 
    9          
    10         void apply(SetUniqueList<Instances> traindataSet); 
    11          
    12         String getName(); 
     23 
     24    void apply(SetUniqueList<Instances> traindataSet); 
     25 
     26    String getName(); 
    1327} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/ITrainer.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/ITrainingStrategy.java

    r6 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    418 
    519public interface ITrainingStrategy extends ITrainer { 
    6          
    7         void apply(Instances traindata); 
    8          
    9         String getName(); 
     20 
     21    void apply(Instances traindata); 
     22 
     23    String getName(); 
    1024} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/IWekaCompatibleTrainer.java

    r24 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    418 
    519public interface IWekaCompatibleTrainer extends ITrainer { 
    6          
    7         Classifier getClassifier(); 
    8          
    9         String getName(); 
     20 
     21    Classifier getClassifier(); 
     22 
     23    String getName(); 
    1024} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/QuadTree.java

    r23 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    1226 * QuadTree implementation 
    1327 *  
    14  * QuadTree gets a list of instances and then recursively split them into 4 childs 
    15  * For this it uses the median of the 2 values x,y 
     28 * QuadTree gets a list of instances and then recursively split them into 4 childs For this it uses 
     29 * the median of the 2 values x,y 
    1630 */ 
    1731public class QuadTree { 
    18          
    19         /* 1 parent or null */ 
    20         private QuadTree parent = null; 
    21          
    22         /* 4 childs, 1 per quadrant */ 
    23         private QuadTree child_nw; 
    24         private QuadTree child_ne; 
    25         private QuadTree child_se; 
    26         private QuadTree child_sw; 
    27          
    28         /* list (only helps with generation of list of childs!) */ 
    29         private ArrayList<QuadTree> l = new ArrayList<QuadTree>(); 
    30          
    31         /* level only used for debugging */ 
    32         public int level = 0; 
    33          
    34         /* size of the quadrant */ 
    35         private double[] x; 
    36         private double[] y; 
    37          
    38         public static boolean verbose = false; 
    39         public static int size = 0; 
    40         public static double alpha = 0; 
    41          
    42         /* cluster payloads */ 
    43         public static ArrayList<ArrayList<QuadTreePayload<Instance>>> ccluster = new ArrayList<ArrayList<QuadTreePayload<Instance>>>(); 
    44          
    45         /* cluster sizes (index is cluster number, arraylist is list of boxes (x0,y0,x1,y1) */  
    46         public static HashMap<Integer, ArrayList<Double[][]>> csize = new HashMap<Integer, ArrayList<Double[][]>>(); 
    47          
    48         /* payload of this instance */ 
    49         private ArrayList<QuadTreePayload<Instance>> payload; 
    50  
    51          
    52         public QuadTree(QuadTree parent, ArrayList<QuadTreePayload<Instance>> payload) { 
    53                 this.parent = parent; 
    54                 this.payload = payload; 
    55         } 
    56          
    57          
    58         public String toString() { 
    59                 String n = ""; 
    60                 if(this.parent == null) { 
    61                         n += "rootnode "; 
    62                 } 
    63                 String level = new String(new char[this.level]).replace("\0", "-"); 
    64                 n += level + " instances: " + this.getNumbers(); 
    65                 return n; 
    66         } 
    67          
    68         /** 
    69          * Returns the payload, used for clustering 
    70          * in the clustering list we only have children with paylod 
    71          *  
    72          * @return payload 
    73          */ 
    74         public ArrayList<QuadTreePayload<Instance>> getPayload() { 
    75                 return this.payload; 
    76         } 
    77          
    78         /** 
    79          * Calculate the density of this quadrant 
    80          *  
    81          * density = number of instances / global size (all instances) 
    82          *  
    83          * @return density 
    84          */ 
    85         public double getDensity() { 
    86                 double dens = 0; 
    87                 dens = (double)this.getNumbers() / QuadTree.size; 
    88                 return dens; 
    89         } 
    90          
    91         public void setSize(double[] x, double[] y){ 
    92                 this.x = x; 
    93                 this.y = y; 
    94         } 
    95          
    96         public double[][] getSize() { 
    97                 return new double[][] {this.x, this.y};  
    98         } 
    99          
    100         public Double[][] getSizeDouble() { 
    101                 Double[] tmpX = new Double[2]; 
    102                 Double[] tmpY = new Double[2]; 
    103                  
    104                 tmpX[0] = this.x[0]; 
    105                 tmpX[1] = this.x[1]; 
    106                  
    107                 tmpY[0] = this.y[0]; 
    108                 tmpY[1] = this.y[1]; 
    109                  
    110                 return new Double[][] {tmpX, tmpY};  
    111         } 
    112          
    113         /** 
    114          * TODO: DRY, median ist immer dasselbe 
    115          *   
    116          * @return median for x 
    117          */ 
    118         private double getMedianForX() { 
    119                 double med_x =0 ; 
    120                  
    121                 Collections.sort(this.payload, new Comparator<QuadTreePayload<Instance>>() { 
    122                 @Override 
    123                 public int compare(QuadTreePayload<Instance> x1, QuadTreePayload<Instance> x2) { 
    124                     return Double.compare(x1.x, x2.x); 
    125                 } 
    126             }); 
    127  
    128                 if(this.payload.size() % 2 == 0) { 
    129                         int mid = this.payload.size() / 2; 
    130                         med_x = (this.payload.get(mid).x + this.payload.get(mid+1).x) / 2; 
    131                 }else { 
    132                         int mid = this.payload.size() / 2; 
    133                         med_x = this.payload.get(mid).x; 
    134                 } 
    135                  
    136                 if(QuadTree.verbose) { 
    137                         System.out.println("sorted:"); 
    138                         for(int i = 0; i < this.payload.size(); i++) { 
    139                                 System.out.print(""+this.payload.get(i).x+","); 
    140                         } 
    141                         System.out.println("median x: " + med_x); 
    142                 } 
    143                 return med_x; 
    144         } 
    145          
    146         private double getMedianForY() { 
    147                 double med_y =0 ; 
    148                  
    149                 Collections.sort(this.payload, new Comparator<QuadTreePayload<Instance>>() { 
    150                 @Override 
    151                 public int compare(QuadTreePayload<Instance> y1, QuadTreePayload<Instance> y2) { 
    152                     return Double.compare(y1.y, y2.y); 
    153                 } 
    154             }); 
    155                  
    156                 if(this.payload.size() % 2 == 0) { 
    157                         int mid = this.payload.size() / 2; 
    158                         med_y = (this.payload.get(mid).y + this.payload.get(mid+1).y) / 2; 
    159                 }else { 
    160                         int mid = this.payload.size() / 2; 
    161                         med_y = this.payload.get(mid).y; 
    162                 } 
    163                  
    164                 if(QuadTree.verbose) { 
    165                         System.out.println("sorted:"); 
    166                         for(int i = 0; i < this.payload.size(); i++) { 
    167                                 System.out.print(""+this.payload.get(i).y+","); 
    168                         } 
    169                         System.out.println("median y: " + med_y); 
    170                 } 
    171                 return med_y; 
    172         } 
    173          
    174         /** 
    175          * Reurns the number of instances in the payload 
    176          *  
    177          * @return int number of instances 
    178          */ 
    179         public int getNumbers() { 
    180                 int number = 0; 
    181                 if(this.payload != null) { 
    182                         number = this.payload.size(); 
    183                 } 
    184                 return number; 
    185         } 
    186          
    187         /** 
    188          * Calculate median values of payload for x, y and split into 4 sectors 
    189          *  
    190          * @return Array of QuadTree nodes (4 childs) 
    191          * @throws Exception if we would run into an recursive loop 
    192          */ 
    193         public QuadTree[] split() throws Exception { 
    194                                  
    195                 double medx = this.getMedianForX(); 
    196                 double medy = this.getMedianForY(); 
    197                  
    198                 // Payload lists for each child 
    199                 ArrayList<QuadTreePayload<Instance>> nw = new ArrayList<QuadTreePayload<Instance>>(); 
    200                 ArrayList<QuadTreePayload<Instance>> sw = new ArrayList<QuadTreePayload<Instance>>(); 
    201                 ArrayList<QuadTreePayload<Instance>> ne = new ArrayList<QuadTreePayload<Instance>>(); 
    202                 ArrayList<QuadTreePayload<Instance>> se = new ArrayList<QuadTreePayload<Instance>>(); 
    203                  
    204                 // sort the payloads to new payloads 
    205                 // here we have the problem that payloads with the same values are sorted 
    206                 // into the same slots and it could happen that medx and medy = size_x[1] and size_y[1] 
    207                 // in that case we would have an endless loop 
    208                 for(int i=0; i < this.payload.size(); i++) { 
    209                          
    210                         QuadTreePayload<Instance> item = this.payload.get(i); 
    211                          
    212                         // north west 
    213                         if(item.x <= medx && item.y >= medy) { 
    214                                 nw.add(item); 
    215                         } 
    216                          
    217                         // south west 
    218                         else if(item.x <= medx && item.y <= medy) { 
    219                                 sw.add(item); 
    220                         } 
    221  
    222                         // north east 
    223                         else if(item.x >= medx && item.y >= medy) { 
    224                                 ne.add(item); 
    225                         } 
    226                          
    227                         // south east 
    228                         else if(item.x >= medx && item.y <= medy) { 
    229                                 se.add(item); 
    230                         } 
    231                 } 
    232                  
    233                 // if we assign one child a payload equal to our own (see problem above) 
    234                 // we throw an exceptions which stops the recursion on this node 
    235                 if(nw.equals(this.payload)) { 
    236                         throw new Exception("payload equal"); 
    237                 } 
    238                 if(sw.equals(this.payload)) { 
    239                         throw new Exception("payload equal"); 
    240                 } 
    241                 if(ne.equals(this.payload)) { 
    242                         throw new Exception("payload equal"); 
    243                 } 
    244                 if(se.equals(this.payload)) { 
    245                         throw new Exception("payload equal"); 
    246                 } 
    247  
    248                 this.child_nw = new QuadTree(this, nw); 
    249                 this.child_nw.setSize(new double[] {this.x[0], medx}, new double[] {medy, this.y[1]}); 
    250                 this.child_nw.level = this.level + 1; 
    251                  
    252                 this.child_sw = new QuadTree(this, sw); 
    253                 this.child_sw.setSize(new double[] {this.x[0], medx}, new double[] {this.y[0], medy}); 
    254                 this.child_sw.level = this.level + 1; 
    255                  
    256                 this.child_ne = new QuadTree(this, ne); 
    257                 this.child_ne.setSize(new double[] {medx, this.x[1]}, new double[] {medy, this.y[1]}); 
    258                 this.child_ne.level = this.level + 1; 
    259                  
    260                 this.child_se = new QuadTree(this, se); 
    261                 this.child_se.setSize(new double[] {medx, this.x[1]}, new double[] {this.y[0], medy}); 
    262                 this.child_se.level = this.level + 1;    
    263                  
    264                 this.payload = null; 
    265                 return new QuadTree[] {this.child_nw, this.child_ne, this.child_se, this.child_sw}; 
    266         } 
    267          
    268         /**  
    269          * TODO: static method 
    270          *  
    271          * @param q 
    272          */ 
    273         public void recursiveSplit(QuadTree q) { 
    274                 if(QuadTree.verbose) { 
    275                         System.out.println("splitting: "+ q); 
    276                 } 
    277                 if(q.getNumbers() < QuadTree.alpha) { 
    278                         return; 
    279                 }else{ 
    280                         // exception is thrown if we would run into an endless loop (see comments in split()) 
    281                         try { 
    282                                 QuadTree[] childs = q.split();                   
    283                                 this.recursiveSplit(childs[0]); 
    284                                 this.recursiveSplit(childs[1]); 
    285                                 this.recursiveSplit(childs[2]); 
    286                                 this.recursiveSplit(childs[3]); 
    287                         }catch(Exception e) { 
    288                                 return; 
    289                         } 
    290                 } 
    291         } 
    292          
    293         /** 
    294          * returns an list of childs sorted by density 
    295          *  
    296          * @param q QuadTree 
    297          * @return list of QuadTrees 
    298          */ 
    299         private void generateList(QuadTree q) { 
    300                  
    301                 // we only have all childs or none at all 
    302                 if(q.child_ne == null) { 
    303                         this.l.add(q); 
    304                 } 
    305                  
    306                 if(q.child_ne != null) { 
    307                         this.generateList(q.child_ne); 
    308                 } 
    309                 if(q.child_nw != null) { 
    310                         this.generateList(q.child_nw); 
    311                 } 
    312                 if(q.child_se != null) { 
    313                         this.generateList(q.child_se); 
    314                 } 
    315                 if(q.child_sw != null) { 
    316                         this.generateList(q.child_sw); 
    317                 } 
    318         } 
    319          
    320         /** 
    321          * Checks if passed QuadTree is neighboring to us 
    322          *  
    323          * @param q QuadTree 
    324          * @return true if passed QuadTree is a neighbor 
    325          */ 
    326         public boolean isNeighbour(QuadTree q) { 
    327                 boolean is_neighbour = false; 
    328                  
    329                 double[][] our_size = this.getSize(); 
    330                 double[][] new_size = q.getSize(); 
    331                  
    332                 // X is i=0, Y is i=1 
    333                 for(int i =0; i < 2; i++) { 
    334                         // we are smaller than q 
    335                         // -------------- q 
    336                         //    ------- we 
    337                         if(our_size[i][0] >= new_size[i][0] && our_size[i][1] <= new_size[i][1]) { 
    338                                 is_neighbour = true; 
    339                         } 
    340                         // we overlap with q at some point 
    341                         //a) ---------------q 
    342                         //         ----------- we 
    343                         //b)     --------- q 
    344                         // --------- we 
    345                         if((our_size[i][0] >= new_size[i][0] && our_size[i][0] <= new_size[i][1]) || 
    346                            (our_size[i][1] >= new_size[i][0] && our_size[i][1] <= new_size[i][1])) { 
    347                                 is_neighbour = true; 
    348                         } 
    349                         // we are larger than q 
    350                         //    ---- q 
    351                         // ---------- we 
    352                         if(our_size[i][1] >= new_size[i][1] && our_size[i][0] <= new_size[i][0]) { 
    353                                 is_neighbour = true; 
    354                         } 
    355                 } 
    356                  
    357                 if(is_neighbour && QuadTree.verbose) { 
    358                         System.out.println(this + " neighbour of: " + q); 
    359                 } 
    360                  
    361                 return is_neighbour; 
    362         } 
    363          
    364         /** 
    365          * Perform pruning and clustering of the quadtree 
    366          *  
    367          * Pruning according to: 
    368          * Tim Menzies, Andrew Butcher, David Cok, Andrian Marcus, Lucas Layman,  
    369          * Forrest Shull, Burak Turhan, Thomas Zimmermann,  
    370          * "Local versus Global Lessons for Defect Prediction and Effort Estimation,"  
    371          * IEEE Transactions on Software Engineering, vol. 39, no. 6, pp. 822-834, June, 2013   
    372          *   
    373          * 1) get list of leaf quadrants 
    374          * 2) sort by their density 
    375          * 3) set stop_rule to 0.5 * highest Density in the list 
    376          * 4) merge all nodes with a density > stop_rule to the new cluster and remove all from list 
    377          * 5) repeat 
    378          *  
    379          * @param q List of QuadTree (children only) 
    380          */ 
    381         public void gridClustering(ArrayList<QuadTree> list) { 
    382                  
    383                 if(list.size() == 0) { 
    384                         return; 
    385                 } 
    386                  
    387                 double stop_rule; 
    388                 QuadTree biggest; 
    389                 QuadTree current; 
    390                  
    391                 // current clusterlist 
    392                 ArrayList<QuadTreePayload<Instance>> current_cluster; 
    393  
    394                 // remove list (for removal of items after scanning of the list) 
    395             ArrayList<Integer> remove = new ArrayList<Integer>(); 
    396                  
    397                 // 1. find biggest, and add it 
    398             biggest = list.get(list.size()-1); 
    399             stop_rule = biggest.getDensity() * 0.5; 
    400              
    401             current_cluster = new ArrayList<QuadTreePayload<Instance>>(); 
    402             current_cluster.addAll(biggest.getPayload()); 
    403  
    404             // remove the biggest because we are starting with it 
    405             remove.add(list.size()-1); 
    406              
    407             ArrayList<Double[][]> tmpSize = new ArrayList<Double[][]>(); 
    408             tmpSize.add(biggest.getSizeDouble()); 
    409              
    410                 // check the items for their density 
    411             for(int i=list.size()-1; i >= 0; i--) { 
    412                 current = list.get(i); 
    413                  
    414                         // 2. find neighbors with correct density 
    415                 // if density > stop_rule and is_neighbour add to cluster and remove from list 
    416                 if(current.getDensity() > stop_rule && !current.equals(biggest) && current.isNeighbour(biggest)) { 
    417                         current_cluster.addAll(current.getPayload()); 
    418                          
    419                         // add it to remove list (we cannot remove it inside the loop because it would move the index) 
    420                         remove.add(i); 
    421                          
    422                         // get the size 
    423                         tmpSize.add(current.getSizeDouble()); 
    424                 } 
    425                 } 
    426              
    427                 // 3. remove our removal candidates from the list 
    428             for(Integer item: remove) { 
    429                 list.remove((int)item); 
    430             } 
    431              
    432                 // 4. add to cluster 
    433             QuadTree.ccluster.add(current_cluster); 
    434                  
    435             // 5. add sizes of our current (biggest) this adds a number of sizes (all QuadTree Instances belonging to this cluster) 
    436             // we need that to classify test instances to a cluster later 
    437             Integer cnumber = new Integer(QuadTree.ccluster.size()-1); 
    438             if(QuadTree.csize.containsKey(cnumber) == false) { 
    439                 QuadTree.csize.put(cnumber, tmpSize); 
    440             } 
    441  
    442                 // repeat 
    443             this.gridClustering(list); 
    444         } 
    445          
    446         public void printInfo() { 
    447             System.out.println("we have " + ccluster.size() + " clusters"); 
    448              
    449             for(int i=0; i < ccluster.size(); i++) { 
    450                 System.out.println("cluster: "+i+ " size: "+ ccluster.get(i).size()); 
    451             } 
    452         } 
    453          
    454         /** 
    455          * Helper Method to get a sorted list (by density) for all 
    456          * children 
    457          *  
    458          * @param q QuadTree 
    459          * @return Sorted ArrayList of quadtrees 
    460          */ 
    461         public ArrayList<QuadTree> getList(QuadTree q) { 
    462                 this.generateList(q); 
    463                  
    464                 Collections.sort(this.l, new Comparator<QuadTree>() { 
    465                 @Override 
    466                 public int compare(QuadTree x1, QuadTree x2) { 
    467                     return Double.compare(x1.getDensity(), x2.getDensity()); 
    468                 } 
    469             }); 
    470                  
    471                 return this.l; 
    472         } 
     32 
     33    /* 1 parent or null */ 
     34    private QuadTree parent = null; 
     35 
     36    /* 4 childs, 1 per quadrant */ 
     37    private QuadTree child_nw; 
     38    private QuadTree child_ne; 
     39    private QuadTree child_se; 
     40    private QuadTree child_sw; 
     41 
     42    /* list (only helps with generation of list of childs!) */ 
     43    private ArrayList<QuadTree> l = new ArrayList<QuadTree>(); 
     44 
     45    /* level only used for debugging */ 
     46    public int level = 0; 
     47 
     48    /* size of the quadrant */ 
     49    private double[] x; 
     50    private double[] y; 
     51 
     52    public static boolean verbose = false; 
     53    public static int size = 0; 
     54    public static double alpha = 0; 
     55 
     56    /* cluster payloads */ 
     57    public static ArrayList<ArrayList<QuadTreePayload<Instance>>> ccluster = 
     58        new ArrayList<ArrayList<QuadTreePayload<Instance>>>(); 
     59 
     60    /* cluster sizes (index is cluster number, arraylist is list of boxes (x0,y0,x1,y1) */ 
     61    public static HashMap<Integer, ArrayList<Double[][]>> csize = 
     62        new HashMap<Integer, ArrayList<Double[][]>>(); 
     63 
     64    /* payload of this instance */ 
     65    private ArrayList<QuadTreePayload<Instance>> payload; 
     66 
     67    public QuadTree(QuadTree parent, ArrayList<QuadTreePayload<Instance>> payload) { 
     68        this.parent = parent; 
     69        this.payload = payload; 
     70    } 
     71 
     72    public String toString() { 
     73        String n = ""; 
     74        if (this.parent == null) { 
     75            n += "rootnode "; 
     76        } 
     77        String level = new String(new char[this.level]).replace("\0", "-"); 
     78        n += level + " instances: " + this.getNumbers(); 
     79        return n; 
     80    } 
     81 
     82    /** 
     83     * Returns the payload, used for clustering in the clustering list we only have children with 
     84     * paylod 
     85     *  
     86     * @return payload 
     87     */ 
     88    public ArrayList<QuadTreePayload<Instance>> getPayload() { 
     89        return this.payload; 
     90    } 
     91 
     92    /** 
     93     * Calculate the density of this quadrant 
     94     *  
     95     * density = number of instances / global size (all instances) 
     96     *  
     97     * @return density 
     98     */ 
     99    public double getDensity() { 
     100        double dens = 0; 
     101        dens = (double) this.getNumbers() / QuadTree.size; 
     102        return dens; 
     103    } 
     104 
     105    public void setSize(double[] x, double[] y) { 
     106        this.x = x; 
     107        this.y = y; 
     108    } 
     109 
     110    public double[][] getSize() { 
     111        return new double[][] 
     112            { this.x, this.y }; 
     113    } 
     114 
     115    public Double[][] getSizeDouble() { 
     116        Double[] tmpX = new Double[2]; 
     117        Double[] tmpY = new Double[2]; 
     118 
     119        tmpX[0] = this.x[0]; 
     120        tmpX[1] = this.x[1]; 
     121 
     122        tmpY[0] = this.y[0]; 
     123        tmpY[1] = this.y[1]; 
     124 
     125        return new Double[][] 
     126            { tmpX, tmpY }; 
     127    } 
     128 
     129    /** 
     130     * TODO: DRY, median ist immer dasselbe 
     131     *  
     132     * @return median for x 
     133     */ 
     134    private double getMedianForX() { 
     135        double med_x = 0; 
     136 
     137        Collections.sort(this.payload, new Comparator<QuadTreePayload<Instance>>() { 
     138            @Override 
     139            public int compare(QuadTreePayload<Instance> x1, QuadTreePayload<Instance> x2) { 
     140                return Double.compare(x1.x, x2.x); 
     141            } 
     142        }); 
     143 
     144        if (this.payload.size() % 2 == 0) { 
     145            int mid = this.payload.size() / 2; 
     146            med_x = (this.payload.get(mid).x + this.payload.get(mid + 1).x) / 2; 
     147        } 
     148        else { 
     149            int mid = this.payload.size() / 2; 
     150            med_x = this.payload.get(mid).x; 
     151        } 
     152 
     153        if (QuadTree.verbose) { 
     154            System.out.println("sorted:"); 
     155            for (int i = 0; i < this.payload.size(); i++) { 
     156                System.out.print("" + this.payload.get(i).x + ","); 
     157            } 
     158            System.out.println("median x: " + med_x); 
     159        } 
     160        return med_x; 
     161    } 
     162 
     163    private double getMedianForY() { 
     164        double med_y = 0; 
     165 
     166        Collections.sort(this.payload, new Comparator<QuadTreePayload<Instance>>() { 
     167            @Override 
     168            public int compare(QuadTreePayload<Instance> y1, QuadTreePayload<Instance> y2) { 
     169                return Double.compare(y1.y, y2.y); 
     170            } 
     171        }); 
     172 
     173        if (this.payload.size() % 2 == 0) { 
     174            int mid = this.payload.size() / 2; 
     175            med_y = (this.payload.get(mid).y + this.payload.get(mid + 1).y) / 2; 
     176        } 
     177        else { 
     178            int mid = this.payload.size() / 2; 
     179            med_y = this.payload.get(mid).y; 
     180        } 
     181 
     182        if (QuadTree.verbose) { 
     183            System.out.println("sorted:"); 
     184            for (int i = 0; i < this.payload.size(); i++) { 
     185                System.out.print("" + this.payload.get(i).y + ","); 
     186            } 
     187            System.out.println("median y: " + med_y); 
     188        } 
     189        return med_y; 
     190    } 
     191 
     192    /** 
     193     * Reurns the number of instances in the payload 
     194     *  
     195     * @return int number of instances 
     196     */ 
     197    public int getNumbers() { 
     198        int number = 0; 
     199        if (this.payload != null) { 
     200            number = this.payload.size(); 
     201        } 
     202        return number; 
     203    } 
     204 
     205    /** 
     206     * Calculate median values of payload for x, y and split into 4 sectors 
     207     *  
     208     * @return Array of QuadTree nodes (4 childs) 
     209     * @throws Exception 
     210     *             if we would run into an recursive loop 
     211     */ 
     212    public QuadTree[] split() throws Exception { 
     213 
     214        double medx = this.getMedianForX(); 
     215        double medy = this.getMedianForY(); 
     216 
     217        // Payload lists for each child 
     218        ArrayList<QuadTreePayload<Instance>> nw = new ArrayList<QuadTreePayload<Instance>>(); 
     219        ArrayList<QuadTreePayload<Instance>> sw = new ArrayList<QuadTreePayload<Instance>>(); 
     220        ArrayList<QuadTreePayload<Instance>> ne = new ArrayList<QuadTreePayload<Instance>>(); 
     221        ArrayList<QuadTreePayload<Instance>> se = new ArrayList<QuadTreePayload<Instance>>(); 
     222 
     223        // sort the payloads to new payloads 
     224        // here we have the problem that payloads with the same values are sorted 
     225        // into the same slots and it could happen that medx and medy = size_x[1] and size_y[1] 
     226        // in that case we would have an endless loop 
     227        for (int i = 0; i < this.payload.size(); i++) { 
     228 
     229            QuadTreePayload<Instance> item = this.payload.get(i); 
     230 
     231            // north west 
     232            if (item.x <= medx && item.y >= medy) { 
     233                nw.add(item); 
     234            } 
     235 
     236            // south west 
     237            else if (item.x <= medx && item.y <= medy) { 
     238                sw.add(item); 
     239            } 
     240 
     241            // north east 
     242            else if (item.x >= medx && item.y >= medy) { 
     243                ne.add(item); 
     244            } 
     245 
     246            // south east 
     247            else if (item.x >= medx && item.y <= medy) { 
     248                se.add(item); 
     249            } 
     250        } 
     251 
     252        // if we assign one child a payload equal to our own (see problem above) 
     253        // we throw an exceptions which stops the recursion on this node 
     254        if (nw.equals(this.payload)) { 
     255            throw new Exception("payload equal"); 
     256        } 
     257        if (sw.equals(this.payload)) { 
     258            throw new Exception("payload equal"); 
     259        } 
     260        if (ne.equals(this.payload)) { 
     261            throw new Exception("payload equal"); 
     262        } 
     263        if (se.equals(this.payload)) { 
     264            throw new Exception("payload equal"); 
     265        } 
     266 
     267        this.child_nw = new QuadTree(this, nw); 
     268        this.child_nw.setSize(new double[] 
     269            { this.x[0], medx }, new double[] 
     270            { medy, this.y[1] }); 
     271        this.child_nw.level = this.level + 1; 
     272 
     273        this.child_sw = new QuadTree(this, sw); 
     274        this.child_sw.setSize(new double[] 
     275            { this.x[0], medx }, new double[] 
     276            { this.y[0], medy }); 
     277        this.child_sw.level = this.level + 1; 
     278 
     279        this.child_ne = new QuadTree(this, ne); 
     280        this.child_ne.setSize(new double[] 
     281            { medx, this.x[1] }, new double[] 
     282            { medy, this.y[1] }); 
     283        this.child_ne.level = this.level + 1; 
     284 
     285        this.child_se = new QuadTree(this, se); 
     286        this.child_se.setSize(new double[] 
     287            { medx, this.x[1] }, new double[] 
     288            { this.y[0], medy }); 
     289        this.child_se.level = this.level + 1; 
     290 
     291        this.payload = null; 
     292        return new QuadTree[] 
     293            { this.child_nw, this.child_ne, this.child_se, this.child_sw }; 
     294    } 
     295 
     296    /** 
     297     * TODO: static method 
     298     *  
     299     * @param q 
     300     */ 
     301    public void recursiveSplit(QuadTree q) { 
     302        if (QuadTree.verbose) { 
     303            System.out.println("splitting: " + q); 
     304        } 
     305        if (q.getNumbers() < QuadTree.alpha) { 
     306            return; 
     307        } 
     308        else { 
     309            // exception is thrown if we would run into an endless loop (see comments in split()) 
     310            try { 
     311                QuadTree[] childs = q.split(); 
     312                this.recursiveSplit(childs[0]); 
     313                this.recursiveSplit(childs[1]); 
     314                this.recursiveSplit(childs[2]); 
     315                this.recursiveSplit(childs[3]); 
     316            } 
     317            catch (Exception e) { 
     318                return; 
     319            } 
     320        } 
     321    } 
     322 
     323    /** 
     324     * returns an list of childs sorted by density 
     325     *  
     326     * @param q 
     327     *            QuadTree 
     328     * @return list of QuadTrees 
     329     */ 
     330    private void generateList(QuadTree q) { 
     331 
     332        // we only have all childs or none at all 
     333        if (q.child_ne == null) { 
     334            this.l.add(q); 
     335        } 
     336 
     337        if (q.child_ne != null) { 
     338            this.generateList(q.child_ne); 
     339        } 
     340        if (q.child_nw != null) { 
     341            this.generateList(q.child_nw); 
     342        } 
     343        if (q.child_se != null) { 
     344            this.generateList(q.child_se); 
     345        } 
     346        if (q.child_sw != null) { 
     347            this.generateList(q.child_sw); 
     348        } 
     349    } 
     350 
     351    /** 
     352     * Checks if passed QuadTree is neighboring to us 
     353     *  
     354     * @param q 
     355     *            QuadTree 
     356     * @return true if passed QuadTree is a neighbor 
     357     */ 
     358    public boolean isNeighbour(QuadTree q) { 
     359        boolean is_neighbour = false; 
     360 
     361        double[][] our_size = this.getSize(); 
     362        double[][] new_size = q.getSize(); 
     363 
     364        // X is i=0, Y is i=1 
     365        for (int i = 0; i < 2; i++) { 
     366            // we are smaller than q 
     367            // -------------- q 
     368            // ------- we 
     369            if (our_size[i][0] >= new_size[i][0] && our_size[i][1] <= new_size[i][1]) { 
     370                is_neighbour = true; 
     371            } 
     372            // we overlap with q at some point 
     373            // a) ---------------q 
     374            // ----------- we 
     375            // b) --------- q 
     376            // --------- we 
     377            if ((our_size[i][0] >= new_size[i][0] && our_size[i][0] <= new_size[i][1]) || 
     378                (our_size[i][1] >= new_size[i][0] && our_size[i][1] <= new_size[i][1])) 
     379            { 
     380                is_neighbour = true; 
     381            } 
     382            // we are larger than q 
     383            // ---- q 
     384            // ---------- we 
     385            if (our_size[i][1] >= new_size[i][1] && our_size[i][0] <= new_size[i][0]) { 
     386                is_neighbour = true; 
     387            } 
     388        } 
     389 
     390        if (is_neighbour && QuadTree.verbose) { 
     391            System.out.println(this + " neighbour of: " + q); 
     392        } 
     393 
     394        return is_neighbour; 
     395    } 
     396 
     397    /** 
     398     * Perform pruning and clustering of the quadtree 
     399     *  
     400     * Pruning according to: Tim Menzies, Andrew Butcher, David Cok, Andrian Marcus, Lucas Layman, 
     401     * Forrest Shull, Burak Turhan, Thomas Zimmermann, 
     402     * "Local versus Global Lessons for Defect Prediction and Effort Estimation," IEEE Transactions 
     403     * on Software Engineering, vol. 39, no. 6, pp. 822-834, June, 2013 
     404     *  
     405     * 1) get list of leaf quadrants 2) sort by their density 3) set stop_rule to 0.5 * highest 
     406     * Density in the list 4) merge all nodes with a density > stop_rule to the new cluster and 
     407     * remove all from list 5) repeat 
     408     *  
     409     * @param q 
     410     *            List of QuadTree (children only) 
     411     */ 
     412    public void gridClustering(ArrayList<QuadTree> list) { 
     413 
     414        if (list.size() == 0) { 
     415            return; 
     416        } 
     417 
     418        double stop_rule; 
     419        QuadTree biggest; 
     420        QuadTree current; 
     421 
     422        // current clusterlist 
     423        ArrayList<QuadTreePayload<Instance>> current_cluster; 
     424 
     425        // remove list (for removal of items after scanning of the list) 
     426        ArrayList<Integer> remove = new ArrayList<Integer>(); 
     427 
     428        // 1. find biggest, and add it 
     429        biggest = list.get(list.size() - 1); 
     430        stop_rule = biggest.getDensity() * 0.5; 
     431 
     432        current_cluster = new ArrayList<QuadTreePayload<Instance>>(); 
     433        current_cluster.addAll(biggest.getPayload()); 
     434 
     435        // remove the biggest because we are starting with it 
     436        remove.add(list.size() - 1); 
     437 
     438        ArrayList<Double[][]> tmpSize = new ArrayList<Double[][]>(); 
     439        tmpSize.add(biggest.getSizeDouble()); 
     440 
     441        // check the items for their density 
     442        for (int i = list.size() - 1; i >= 0; i--) { 
     443            current = list.get(i); 
     444 
     445            // 2. find neighbors with correct density 
     446            // if density > stop_rule and is_neighbour add to cluster and remove from list 
     447            if (current.getDensity() > stop_rule && !current.equals(biggest) && 
     448                current.isNeighbour(biggest)) 
     449            { 
     450                current_cluster.addAll(current.getPayload()); 
     451 
     452                // add it to remove list (we cannot remove it inside the loop because it would move 
     453                // the index) 
     454                remove.add(i); 
     455 
     456                // get the size 
     457                tmpSize.add(current.getSizeDouble()); 
     458            } 
     459        } 
     460 
     461        // 3. remove our removal candidates from the list 
     462        for (Integer item : remove) { 
     463            list.remove((int) item); 
     464        } 
     465 
     466        // 4. add to cluster 
     467        QuadTree.ccluster.add(current_cluster); 
     468 
     469        // 5. add sizes of our current (biggest) this adds a number of sizes (all QuadTree Instances 
     470        // belonging to this cluster) 
     471        // we need that to classify test instances to a cluster later 
     472        Integer cnumber = new Integer(QuadTree.ccluster.size() - 1); 
     473        if (QuadTree.csize.containsKey(cnumber) == false) { 
     474            QuadTree.csize.put(cnumber, tmpSize); 
     475        } 
     476 
     477        // repeat 
     478        this.gridClustering(list); 
     479    } 
     480 
     481    public void printInfo() { 
     482        System.out.println("we have " + ccluster.size() + " clusters"); 
     483 
     484        for (int i = 0; i < ccluster.size(); i++) { 
     485            System.out.println("cluster: " + i + " size: " + ccluster.get(i).size()); 
     486        } 
     487    } 
     488 
     489    /** 
     490     * Helper Method to get a sorted list (by density) for all children 
     491     *  
     492     * @param q 
     493     *            QuadTree 
     494     * @return Sorted ArrayList of quadtrees 
     495     */ 
     496    public ArrayList<QuadTree> getList(QuadTree q) { 
     497        this.generateList(q); 
     498 
     499        Collections.sort(this.l, new Comparator<QuadTree>() { 
     500            @Override 
     501            public int compare(QuadTree x1, QuadTree x2) { 
     502                return Double.compare(x1.getDensity(), x2.getDensity()); 
     503            } 
     504        }); 
     505 
     506        return this.l; 
     507    } 
    473508} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/RandomClass.java

    r38 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    1125 * Assigns a random class label to the instance it is evaluated on. 
    1226 *  
    13  * The range of class labels are hardcoded in fixedClassValues. 
    14  * This can later be extended to take values from the XML configuration.  
     27 * The range of class labels are hardcoded in fixedClassValues. This can later be extended to take 
     28 * values from the XML configuration. 
    1529 */ 
    16 public class RandomClass extends AbstractClassifier implements ITrainingStrategy, IWekaCompatibleTrainer { 
     30public class RandomClass extends AbstractClassifier implements ITrainingStrategy, 
     31    IWekaCompatibleTrainer 
     32{ 
    1733 
    18         private static final long serialVersionUID = 1L; 
     34    private static final long serialVersionUID = 1L; 
    1935 
    20         private double[] fixedClassValues = {0.0d, 1.0d}; 
    21          
    22         @Override 
    23         public void setParameter(String parameters) { 
    24                 // do nothing, maybe take percentages for distribution later 
    25         } 
     36    private double[] fixedClassValues = 
     37        { 0.0d, 1.0d }; 
    2638 
    27         @Override 
    28         public void buildClassifier(Instances arg0) throws Exception { 
    29                 // do nothing 
    30         } 
     39    @Override 
     40    public void setParameter(String parameters) { 
     41        // do nothing, maybe take percentages for distribution later 
     42    } 
    3143 
    32         @Override 
    33         public Classifier getClassifier() { 
    34                 return this; 
    35         } 
     44    @Override 
     45    public void buildClassifier(Instances arg0) throws Exception { 
     46        // do nothing 
     47    } 
    3648 
    37         @Override 
    38         public void apply(Instances traindata) { 
    39                 // nothing to do 
    40         } 
     49    @Override 
     50    public Classifier getClassifier() { 
     51        return this; 
     52    } 
    4153 
    42         @Override 
    43         public String getName() { 
    44                 return "RandomClass"; 
    45         } 
    46          
    47         @Override 
    48         public double classifyInstance(Instance instance) { 
    49                 Random rand = new Random(); 
    50             int randomNum = rand.nextInt(this.fixedClassValues.length); 
    51                 return this.fixedClassValues[randomNum]; 
    52         } 
     54    @Override 
     55    public void apply(Instances traindata) { 
     56        // nothing to do 
     57    } 
     58 
     59    @Override 
     60    public String getName() { 
     61        return "RandomClass"; 
     62    } 
     63 
     64    @Override 
     65    public double classifyInstance(Instance instance) { 
     66        Random rand = new Random(); 
     67        int randomNum = rand.nextInt(this.fixedClassValues.length); 
     68        return this.fixedClassValues[randomNum]; 
     69    } 
    5370} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/WekaBaggingTraining.java

    r25 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    1832/** 
    1933 * Programmatic WekaBaggingTraining 
    20  * 
    21  * first parameter is Trainer Name. 
    22  * second parameter is class name 
    2334 *  
    24  * all subsequent parameters are configuration params (for example for trees) 
    25  * Cross Validation params always come last and are prepended with -CVPARAM 
     35 * first parameter is Trainer Name. second parameter is class name 
     36 *  
     37 * all subsequent parameters are configuration params (for example for trees) Cross Validation 
     38 * params always come last and are prepended with -CVPARAM 
    2639 *  
    2740 * XML Configurations for Weka Classifiers: 
     41 *  
    2842 * <pre> 
    2943 * {@code 
     
    3751public class WekaBaggingTraining extends WekaBaseTraining implements ISetWiseTrainingStrategy { 
    3852 
    39         private final TraindatasetBagging classifier = new TraindatasetBagging(); 
    40          
    41         @Override 
    42         public Classifier getClassifier() { 
    43                 return classifier; 
    44         } 
    45          
    46         @Override 
    47         public void apply(SetUniqueList<Instances> traindataSet) { 
    48                 PrintStream errStr      = System.err; 
    49                 System.setErr(new PrintStream(new NullOutputStream())); 
    50                 try { 
    51                         classifier.buildClassifier(traindataSet); 
    52                 } catch (Exception e) { 
    53                         throw new RuntimeException(e); 
    54                 } finally { 
    55                         System.setErr(errStr); 
    56                 } 
    57         } 
    58          
    59         public class TraindatasetBagging extends AbstractClassifier { 
    60                  
    61                 private static final long serialVersionUID = 1L; 
     53    private final TraindatasetBagging classifier = new TraindatasetBagging(); 
    6254 
    63                 private List<Instances> trainingData = null; 
    64                  
    65                 private List<Classifier> classifiers = null; 
    66          
    67                 @Override 
    68                 public double classifyInstance(Instance instance) { 
    69                         if( classifiers==null ) { 
    70                                 return 0.0; 
    71                         } 
    72                          
    73                         double classification = 0.0; 
    74                         for( int i=0 ; i<classifiers.size(); i++ ) { 
    75                                 Classifier classifier = classifiers.get(i); 
    76                                 Instances traindata = trainingData.get(i); 
    77                                  
    78                                 Set<String> attributeNames = new HashSet<>(); 
    79                                 for( int j=0; j<traindata.numAttributes(); j++ ) { 
    80                                         attributeNames.add(traindata.attribute(j).name()); 
    81                                 } 
    82                                  
    83                                 double[] values = new double[traindata.numAttributes()]; 
    84                                 int index = 0; 
    85                                 for( int j=0; j<instance.numAttributes(); j++ ) { 
    86                                         if( attributeNames.contains(instance.attribute(j).name())) { 
    87                                                 values[index] = instance.value(j); 
    88                                                 index++; 
    89                                         } 
    90                                 } 
    91                                  
    92                                 Instances tmp = new Instances(traindata); 
    93                                 tmp.clear(); 
    94                                 Instance instCopy = new DenseInstance(instance.weight(), values); 
    95                                 instCopy.setDataset(tmp); 
    96                                 try { 
    97                                         classification += classifier.classifyInstance(instCopy); 
    98                                 } catch (Exception e) { 
    99                                         throw new RuntimeException("bagging classifier could not classify an instance", e); 
    100                                 } 
    101                         } 
    102                         classification /= classifiers.size(); 
    103                         return (classification>=0.5) ? 1.0 : 0.0; 
    104                 } 
    105                  
    106                 public void buildClassifier(SetUniqueList<Instances> traindataSet) throws Exception { 
    107                         classifiers = new LinkedList<>(); 
    108                         trainingData = new LinkedList<>(); 
    109                         for( Instances traindata : traindataSet ) { 
    110                                 Classifier classifier = setupClassifier(); 
    111                                 classifier.buildClassifier(traindata); 
    112                                 classifiers.add(classifier); 
    113                                 trainingData.add(new Instances(traindata)); 
    114                         } 
    115                 } 
    116          
    117                 @Override 
    118                 public void buildClassifier(Instances traindata) throws Exception { 
    119                         classifiers = new LinkedList<>(); 
    120                         trainingData = new LinkedList<>(); 
    121                         final Classifier classifier = setupClassifier(); 
    122                         classifier.buildClassifier(traindata); 
    123                         classifiers.add(classifier); 
    124                         trainingData.add(new Instances(traindata)); 
    125                 } 
    126         } 
     55    @Override 
     56    public Classifier getClassifier() { 
     57        return classifier; 
     58    } 
     59 
     60    @Override 
     61    public void apply(SetUniqueList<Instances> traindataSet) { 
     62        PrintStream errStr = System.err; 
     63        System.setErr(new PrintStream(new NullOutputStream())); 
     64        try { 
     65            classifier.buildClassifier(traindataSet); 
     66        } 
     67        catch (Exception e) { 
     68            throw new RuntimeException(e); 
     69        } 
     70        finally { 
     71            System.setErr(errStr); 
     72        } 
     73    } 
     74 
     75    public class TraindatasetBagging extends AbstractClassifier { 
     76 
     77        private static final long serialVersionUID = 1L; 
     78 
     79        private List<Instances> trainingData = null; 
     80 
     81        private List<Classifier> classifiers = null; 
     82 
     83        @Override 
     84        public double classifyInstance(Instance instance) { 
     85            if (classifiers == null) { 
     86                return 0.0; 
     87            } 
     88 
     89            double classification = 0.0; 
     90            for (int i = 0; i < classifiers.size(); i++) { 
     91                Classifier classifier = classifiers.get(i); 
     92                Instances traindata = trainingData.get(i); 
     93 
     94                Set<String> attributeNames = new HashSet<>(); 
     95                for (int j = 0; j < traindata.numAttributes(); j++) { 
     96                    attributeNames.add(traindata.attribute(j).name()); 
     97                } 
     98 
     99                double[] values = new double[traindata.numAttributes()]; 
     100                int index = 0; 
     101                for (int j = 0; j < instance.numAttributes(); j++) { 
     102                    if (attributeNames.contains(instance.attribute(j).name())) { 
     103                        values[index] = instance.value(j); 
     104                        index++; 
     105                    } 
     106                } 
     107 
     108                Instances tmp = new Instances(traindata); 
     109                tmp.clear(); 
     110                Instance instCopy = new DenseInstance(instance.weight(), values); 
     111                instCopy.setDataset(tmp); 
     112                try { 
     113                    classification += classifier.classifyInstance(instCopy); 
     114                } 
     115                catch (Exception e) { 
     116                    throw new RuntimeException("bagging classifier could not classify an instance", 
     117                                               e); 
     118                } 
     119            } 
     120            classification /= classifiers.size(); 
     121            return (classification >= 0.5) ? 1.0 : 0.0; 
     122        } 
     123 
     124        public void buildClassifier(SetUniqueList<Instances> traindataSet) throws Exception { 
     125            classifiers = new LinkedList<>(); 
     126            trainingData = new LinkedList<>(); 
     127            for (Instances traindata : traindataSet) { 
     128                Classifier classifier = setupClassifier(); 
     129                classifier.buildClassifier(traindata); 
     130                classifiers.add(classifier); 
     131                trainingData.add(new Instances(traindata)); 
     132            } 
     133        } 
     134 
     135        @Override 
     136        public void buildClassifier(Instances traindata) throws Exception { 
     137            classifiers = new LinkedList<>(); 
     138            trainingData = new LinkedList<>(); 
     139            final Classifier classifier = setupClassifier(); 
     140            classifier.buildClassifier(traindata); 
     141            classifiers.add(classifier); 
     142            trainingData.add(new Instances(traindata)); 
     143        } 
     144    } 
    127145} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/WekaBaseTraining.java

    r25 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    1529 * Allows specification of the Weka classifier and its params in the XML experiment configuration. 
    1630 *  
    17  * Important conventions of the XML format:  
    18  * Cross Validation params always come last and are prepended with -CVPARAM 
    19  * Example: <trainer name="WekaTraining" param="RandomForestLocal weka.classifiers.trees.RandomForest -CVPARAM I 5 25 5"/> 
     31 * Important conventions of the XML format: Cross Validation params always come last and are 
     32 * prepended with -CVPARAM Example: <trainer name="WekaTraining" 
     33 * param="RandomForestLocal weka.classifiers.trees.RandomForest -CVPARAM I 5 25 5"/> 
    2034 */ 
    2135public abstract class WekaBaseTraining implements IWekaCompatibleTrainer { 
    22          
    23         protected Classifier classifier = null; 
    24         protected String classifierClassName; 
    25         protected String classifierName; 
    26         protected String[] classifierParams; 
    27          
    28         @Override 
    29         public void setParameter(String parameters) { 
    30                 String[] params = parameters.split(" "); 
    3136 
    32                 // first part of the params is the classifierName (e.g. SMORBF) 
    33                 classifierName = params[0]; 
    34                  
    35                 // the following parameters can be copied from weka! 
    36                  
    37                 // second param is classifierClassName (e.g. weka.classifiers.functions.SMO) 
    38                 classifierClassName = params[1]; 
    39          
    40                 // rest are params to the specified classifier (e.g. -K weka.classifiers.functions.supportVector.RBFKernel) 
    41                 classifierParams = Arrays.copyOfRange(params, 2, params.length); 
    42                  
    43                 classifier = setupClassifier(); 
    44         } 
     37    protected Classifier classifier = null; 
     38    protected String classifierClassName; 
     39    protected String classifierName; 
     40    protected String[] classifierParams; 
    4541 
    46         @Override 
    47         public Classifier getClassifier() { 
    48                 return classifier; 
    49         } 
     42    @Override 
     43    public void setParameter(String parameters) { 
     44        String[] params = parameters.split(" "); 
    5045 
    51         public Classifier setupClassifier() { 
    52                 Classifier cl = null; 
    53                 try{ 
    54                         @SuppressWarnings("rawtypes") 
    55                         Class c = Class.forName(classifierClassName); 
    56                         Classifier obj = (Classifier) c.newInstance(); 
    57                          
    58                         // Filter out -CVPARAM, these are special because they do not belong to the Weka classifier class as parameters 
    59                         String[] param = Arrays.copyOf(classifierParams, classifierParams.length); 
    60                         String[] cvparam = {}; 
    61                         boolean cv = false; 
    62                         for ( int i=0; i < classifierParams.length; i++ ) { 
    63                                 if(classifierParams[i].equals("-CVPARAM")) { 
    64                                         // rest of array are cvparam 
    65                                         cvparam = Arrays.copyOfRange(classifierParams, i+1, classifierParams.length); 
    66                                          
    67                                         // before this we have normal params 
    68                                         param = Arrays.copyOfRange(classifierParams, 0, i); 
    69                                          
    70                                         cv = true; 
    71                                         break; 
    72                                 } 
    73                         } 
    74                          
    75                         // set classifier params 
    76                         ((OptionHandler)obj).setOptions(param); 
    77                         cl = obj; 
    78                          
    79                         // we have cross val params 
    80                         // cant check on cvparam.length here, it may not be initialized                  
    81                         if(cv) { 
    82                                 final CVParameterSelection ps = new CVParameterSelection(); 
    83                                 ps.setClassifier(obj); 
    84                                 ps.setNumFolds(5); 
    85                                 //ps.addCVParameter("I 5 25 5"); 
    86                                 for( int i=1 ; i<cvparam.length/4 ; i++ ) { 
    87                                         ps.addCVParameter(Arrays.asList(Arrays.copyOfRange(cvparam, 0, 4*i)).toString().replaceAll(", ", " ").replaceAll("^\\[|\\]$", "")); 
    88                                 } 
    89                                  
    90                                 cl = ps; 
    91                         } 
     46        // first part of the params is the classifierName (e.g. SMORBF) 
     47        classifierName = params[0]; 
    9248 
    93                 }catch(ClassNotFoundException e) { 
    94                         Console.traceln(Level.WARNING, String.format("class not found: %s", e.toString())); 
    95                         e.printStackTrace(); 
    96                 } catch (InstantiationException e) { 
    97                         Console.traceln(Level.WARNING, String.format("Instantiation Exception: %s", e.toString())); 
    98                         e.printStackTrace(); 
    99                 } catch (IllegalAccessException e) { 
    100                         Console.traceln(Level.WARNING, String.format("Illegal Access Exception: %s", e.toString())); 
    101                         e.printStackTrace(); 
    102                 } catch (Exception e) { 
    103                         Console.traceln(Level.WARNING, String.format("Exception: %s", e.toString())); 
    104                         e.printStackTrace(); 
    105                 } 
    106                  
    107                 return cl; 
    108         } 
     49        // the following parameters can be copied from weka! 
    10950 
    110         @Override 
    111         public String getName() { 
    112                 return classifierName; 
    113         } 
    114          
     51        // second param is classifierClassName (e.g. weka.classifiers.functions.SMO) 
     52        classifierClassName = params[1]; 
     53 
     54        // rest are params to the specified classifier (e.g. -K 
     55        // weka.classifiers.functions.supportVector.RBFKernel) 
     56        classifierParams = Arrays.copyOfRange(params, 2, params.length); 
     57 
     58        classifier = setupClassifier(); 
     59    } 
     60 
     61    @Override 
     62    public Classifier getClassifier() { 
     63        return classifier; 
     64    } 
     65 
     66    public Classifier setupClassifier() { 
     67        Classifier cl = null; 
     68        try { 
     69            @SuppressWarnings("rawtypes") 
     70            Class c = Class.forName(classifierClassName); 
     71            Classifier obj = (Classifier) c.newInstance(); 
     72 
     73            // Filter out -CVPARAM, these are special because they do not belong to the Weka 
     74            // classifier class as parameters 
     75            String[] param = Arrays.copyOf(classifierParams, classifierParams.length); 
     76            String[] cvparam = { }; 
     77            boolean cv = false; 
     78            for (int i = 0; i < classifierParams.length; i++) { 
     79                if (classifierParams[i].equals("-CVPARAM")) { 
     80                    // rest of array are cvparam 
     81                    cvparam = Arrays.copyOfRange(classifierParams, i + 1, classifierParams.length); 
     82 
     83                    // before this we have normal params 
     84                    param = Arrays.copyOfRange(classifierParams, 0, i); 
     85 
     86                    cv = true; 
     87                    break; 
     88                } 
     89            } 
     90 
     91            // set classifier params 
     92            ((OptionHandler) obj).setOptions(param); 
     93            cl = obj; 
     94 
     95            // we have cross val params 
     96            // cant check on cvparam.length here, it may not be initialized 
     97            if (cv) { 
     98                final CVParameterSelection ps = new CVParameterSelection(); 
     99                ps.setClassifier(obj); 
     100                ps.setNumFolds(5); 
     101                // ps.addCVParameter("I 5 25 5"); 
     102                for (int i = 1; i < cvparam.length / 4; i++) { 
     103                    ps.addCVParameter(Arrays.asList(Arrays.copyOfRange(cvparam, 0, 4 * i)) 
     104                        .toString().replaceAll(", ", " ").replaceAll("^\\[|\\]$", "")); 
     105                } 
     106 
     107                cl = ps; 
     108            } 
     109 
     110        } 
     111        catch (ClassNotFoundException e) { 
     112            Console.traceln(Level.WARNING, String.format("class not found: %s", e.toString())); 
     113            e.printStackTrace(); 
     114        } 
     115        catch (InstantiationException e) { 
     116            Console.traceln(Level.WARNING, 
     117                            String.format("Instantiation Exception: %s", e.toString())); 
     118            e.printStackTrace(); 
     119        } 
     120        catch (IllegalAccessException e) { 
     121            Console.traceln(Level.WARNING, 
     122                            String.format("Illegal Access Exception: %s", e.toString())); 
     123            e.printStackTrace(); 
     124        } 
     125        catch (Exception e) { 
     126            Console.traceln(Level.WARNING, String.format("Exception: %s", e.toString())); 
     127            e.printStackTrace(); 
     128        } 
     129 
     130        return cl; 
     131    } 
     132 
     133    @Override 
     134    public String getName() { 
     135        return classifierName; 
     136    } 
     137 
    115138} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/WekaLocalEMTraining.java

    r25 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    2438 * WekaLocalEMTraining 
    2539 *  
    26  * Local Trainer with EM Clustering for data partitioning. 
    27  * Currently supports only EM Clustering. 
    28  *  
    29  * 1. Cluster training data 
    30  * 2. for each cluster train a classifier with training data from cluster 
     40 * Local Trainer with EM Clustering for data partitioning. Currently supports only EM Clustering. 
     41 *  
     42 * 1. Cluster training data 2. for each cluster train a classifier with training data from cluster 
    3143 * 3. match test data instance to a cluster, then classify with classifier from the cluster 
    3244 *  
    33  * XML configuration: 
    34  * <!-- because of clustering --> 
    35  * <preprocessor name="Normalization" param=""/> 
    36  *  
    37  * <!-- cluster trainer --> 
    38  * <trainer name="WekaLocalEMTraining" param="NaiveBayes weka.classifiers.bayes.NaiveBayes" /> 
     45 * XML configuration: <!-- because of clustering --> <preprocessor name="Normalization" param=""/> 
     46 *  
     47 * <!-- cluster trainer --> <trainer name="WekaLocalEMTraining" 
     48 * param="NaiveBayes weka.classifiers.bayes.NaiveBayes" /> 
    3949 */ 
    4050public class WekaLocalEMTraining extends WekaBaseTraining implements ITrainingStrategy { 
    4151 
    42         private final TraindatasetCluster classifier = new TraindatasetCluster(); 
    43          
    44         @Override 
    45         public Classifier getClassifier() { 
    46                 return classifier; 
    47         } 
    48          
    49         @Override 
    50         public void apply(Instances traindata) { 
    51                 PrintStream errStr      = System.err; 
    52                 System.setErr(new PrintStream(new NullOutputStream())); 
    53                 try { 
    54                         classifier.buildClassifier(traindata); 
    55                 } catch (Exception e) { 
    56                         throw new RuntimeException(e); 
    57                 } finally { 
    58                         System.setErr(errStr); 
    59                 } 
    60         } 
    61          
    62  
    63         public class TraindatasetCluster extends AbstractClassifier { 
    64                  
    65                 private static final long serialVersionUID = 1L; 
    66  
    67                 private EM clusterer = null; 
    68  
    69                 private HashMap<Integer, Classifier> cclassifier; 
    70                 private HashMap<Integer, Instances> ctraindata;  
    71                  
    72                  
    73                 /** 
    74                  * Helper method that gives us a clean instance copy with  
    75                  * the values of the instancelist of the first parameter.  
    76                  *  
    77                  * @param instancelist with attributes 
    78                  * @param instance with only values 
    79                  * @return copy of the instance 
    80                  */ 
    81                 private Instance createInstance(Instances instances, Instance instance) { 
    82                         // attributes for feeding instance to classifier 
    83                         Set<String> attributeNames = new HashSet<>(); 
    84                         for( int j=0; j<instances.numAttributes(); j++ ) { 
    85                                 attributeNames.add(instances.attribute(j).name()); 
    86                         } 
    87                          
    88                         double[] values = new double[instances.numAttributes()]; 
    89                         int index = 0; 
    90                         for( int j=0; j<instance.numAttributes(); j++ ) { 
    91                                 if( attributeNames.contains(instance.attribute(j).name())) { 
    92                                         values[index] = instance.value(j); 
    93                                         index++; 
    94                                 } 
    95                         } 
    96                          
    97                         Instances tmp = new Instances(instances); 
    98                         tmp.clear(); 
    99                         Instance instCopy = new DenseInstance(instance.weight(), values); 
    100                         instCopy.setDataset(tmp); 
    101                          
    102                         return instCopy; 
    103                 } 
    104                  
    105                 @Override 
    106                 public double classifyInstance(Instance instance) { 
    107                         double ret = 0; 
    108                         try { 
    109                                 // 1. copy the instance (keep the class attribute) 
    110                                 Instances traindata = ctraindata.get(0); 
    111                                 Instance classInstance = createInstance(traindata, instance); 
    112                                  
    113                                 // 2. remove class attribute before clustering 
    114                                 Remove filter = new Remove(); 
    115                                 filter.setAttributeIndices("" + (traindata.classIndex() + 1)); 
    116                                 filter.setInputFormat(traindata); 
    117                                 traindata = Filter.useFilter(traindata, filter); 
    118                                  
    119                                 // 3. copy the instance (without the class attribute) for clustering 
    120                                 Instance clusterInstance = createInstance(traindata, instance); 
    121                                  
    122                                 // 4. match instance without class attribute to a cluster number 
    123                                 int cnum = clusterer.clusterInstance(clusterInstance); 
    124                                  
    125                                 // 5. classify instance with class attribute to the classifier of that cluster number 
    126                                 ret = cclassifier.get(cnum).classifyInstance(classInstance); 
    127                                  
    128                         }catch( Exception e ) { 
    129                                 Console.traceln(Level.INFO, String.format("ERROR matching instance to cluster!")); 
    130                                 throw new RuntimeException(e); 
    131                         } 
    132                         return ret; 
    133                 } 
    134  
    135                 @Override 
    136                 public void buildClassifier(Instances traindata) throws Exception { 
    137                          
    138                         // 1. copy training data 
    139                         Instances train = new Instances(traindata); 
    140                          
    141                         // 2. remove class attribute for clustering 
    142                         Remove filter = new Remove(); 
    143                         filter.setAttributeIndices("" + (train.classIndex() + 1)); 
    144                         filter.setInputFormat(train); 
    145                         train = Filter.useFilter(train, filter); 
    146                          
    147                         // new objects 
    148                         cclassifier = new HashMap<Integer, Classifier>(); 
    149                         ctraindata = new HashMap<Integer, Instances>(); 
    150                                                  
    151                         Instances ctrain; 
    152                         int maxNumClusters = train.size(); 
    153                         boolean sufficientInstancesInEachCluster; 
    154                         do { // while(onlyTarget) 
    155                                 sufficientInstancesInEachCluster = true; 
    156                                 clusterer = new EM(); 
    157                                 clusterer.setMaximumNumberOfClusters(maxNumClusters); 
    158                                 clusterer.buildClusterer(train); 
    159                                  
    160                                 // 4. get cluster membership of our traindata 
    161                                 //AddCluster cfilter = new AddCluster(); 
    162                                 //cfilter.setClusterer(clusterer); 
    163                                 //cfilter.setInputFormat(train); 
    164                                 //Instances ctrain = Filter.useFilter(train, cfilter); 
    165                                  
    166                                 ctrain = new Instances(train); 
    167                                 ctraindata = new HashMap<>(); 
    168                                  
    169                                 // get traindata per cluster 
    170                                 for ( int j=0; j < ctrain.numInstances(); j++ ) { 
    171                                         // get the cluster number from the attributes, subract 1 because if we clusterInstance we get 0-n, and this is 1-n 
    172                                         //cnumber = Integer.parseInt(ctrain.get(j).stringValue(ctrain.get(j).numAttributes()-1).replace("cluster", "")) - 1; 
    173                                          
    174                                         int cnumber = clusterer.clusterInstance(ctrain.get(j)); 
    175                                         // add training data to list of instances for this cluster number 
    176                                         if ( !ctraindata.containsKey(cnumber) ) { 
    177                                                 ctraindata.put(cnumber, new Instances(traindata)); 
    178                                                 ctraindata.get(cnumber).delete(); 
    179                                         } 
    180                                         ctraindata.get(cnumber).add(traindata.get(j)); 
    181                                 } 
    182                                  
    183                                 for( Entry<Integer,Instances> entry : ctraindata.entrySet() ) { 
    184                                         Instances instances = entry.getValue(); 
    185                                         int[] counts = instances.attributeStats(instances.classIndex()).nominalCounts; 
    186                                         for( int count : counts ) { 
    187                                                 sufficientInstancesInEachCluster &= count>0; 
    188                                         } 
    189                                         sufficientInstancesInEachCluster &= instances.numInstances()>=5; 
    190                                 } 
    191                                 maxNumClusters = clusterer.numberOfClusters()-1; 
    192                         } while(!sufficientInstancesInEachCluster); 
    193                          
    194                         // train one classifier per cluster, we get the cluster number from the training data 
    195                         Iterator<Integer> clusternumber = ctraindata.keySet().iterator(); 
    196                         while ( clusternumber.hasNext() ) { 
    197                                 int cnumber = clusternumber.next();                      
    198                                 cclassifier.put(cnumber,setupClassifier()); 
    199                                 cclassifier.get(cnumber).buildClassifier(ctraindata.get(cnumber)); 
    200                                  
    201                                 //Console.traceln(Level.INFO, String.format("classifier in cluster "+cnumber)); 
    202                         } 
    203                 } 
    204         } 
     52    private final TraindatasetCluster classifier = new TraindatasetCluster(); 
     53 
     54    @Override 
     55    public Classifier getClassifier() { 
     56        return classifier; 
     57    } 
     58 
     59    @Override 
     60    public void apply(Instances traindata) { 
     61        PrintStream errStr = System.err; 
     62        System.setErr(new PrintStream(new NullOutputStream())); 
     63        try { 
     64            classifier.buildClassifier(traindata); 
     65        } 
     66        catch (Exception e) { 
     67            throw new RuntimeException(e); 
     68        } 
     69        finally { 
     70            System.setErr(errStr); 
     71        } 
     72    } 
     73 
     74    public class TraindatasetCluster extends AbstractClassifier { 
     75 
     76        private static final long serialVersionUID = 1L; 
     77 
     78        private EM clusterer = null; 
     79 
     80        private HashMap<Integer, Classifier> cclassifier; 
     81        private HashMap<Integer, Instances> ctraindata; 
     82 
     83        /** 
     84         * Helper method that gives us a clean instance copy with the values of the instancelist of 
     85         * the first parameter. 
     86         *  
     87         * @param instancelist 
     88         *            with attributes 
     89         * @param instance 
     90         *            with only values 
     91         * @return copy of the instance 
     92         */ 
     93        private Instance createInstance(Instances instances, Instance instance) { 
     94            // attributes for feeding instance to classifier 
     95            Set<String> attributeNames = new HashSet<>(); 
     96            for (int j = 0; j < instances.numAttributes(); j++) { 
     97                attributeNames.add(instances.attribute(j).name()); 
     98            } 
     99 
     100            double[] values = new double[instances.numAttributes()]; 
     101            int index = 0; 
     102            for (int j = 0; j < instance.numAttributes(); j++) { 
     103                if (attributeNames.contains(instance.attribute(j).name())) { 
     104                    values[index] = instance.value(j); 
     105                    index++; 
     106                } 
     107            } 
     108 
     109            Instances tmp = new Instances(instances); 
     110            tmp.clear(); 
     111            Instance instCopy = new DenseInstance(instance.weight(), values); 
     112            instCopy.setDataset(tmp); 
     113 
     114            return instCopy; 
     115        } 
     116 
     117        @Override 
     118        public double classifyInstance(Instance instance) { 
     119            double ret = 0; 
     120            try { 
     121                // 1. copy the instance (keep the class attribute) 
     122                Instances traindata = ctraindata.get(0); 
     123                Instance classInstance = createInstance(traindata, instance); 
     124 
     125                // 2. remove class attribute before clustering 
     126                Remove filter = new Remove(); 
     127                filter.setAttributeIndices("" + (traindata.classIndex() + 1)); 
     128                filter.setInputFormat(traindata); 
     129                traindata = Filter.useFilter(traindata, filter); 
     130 
     131                // 3. copy the instance (without the class attribute) for clustering 
     132                Instance clusterInstance = createInstance(traindata, instance); 
     133 
     134                // 4. match instance without class attribute to a cluster number 
     135                int cnum = clusterer.clusterInstance(clusterInstance); 
     136 
     137                // 5. classify instance with class attribute to the classifier of that cluster 
     138                // number 
     139                ret = cclassifier.get(cnum).classifyInstance(classInstance); 
     140 
     141            } 
     142            catch (Exception e) { 
     143                Console.traceln(Level.INFO, String.format("ERROR matching instance to cluster!")); 
     144                throw new RuntimeException(e); 
     145            } 
     146            return ret; 
     147        } 
     148 
     149        @Override 
     150        public void buildClassifier(Instances traindata) throws Exception { 
     151 
     152            // 1. copy training data 
     153            Instances train = new Instances(traindata); 
     154 
     155            // 2. remove class attribute for clustering 
     156            Remove filter = new Remove(); 
     157            filter.setAttributeIndices("" + (train.classIndex() + 1)); 
     158            filter.setInputFormat(train); 
     159            train = Filter.useFilter(train, filter); 
     160 
     161            // new objects 
     162            cclassifier = new HashMap<Integer, Classifier>(); 
     163            ctraindata = new HashMap<Integer, Instances>(); 
     164 
     165            Instances ctrain; 
     166            int maxNumClusters = train.size(); 
     167            boolean sufficientInstancesInEachCluster; 
     168            do { // while(onlyTarget) 
     169                sufficientInstancesInEachCluster = true; 
     170                clusterer = new EM(); 
     171                clusterer.setMaximumNumberOfClusters(maxNumClusters); 
     172                clusterer.buildClusterer(train); 
     173 
     174                // 4. get cluster membership of our traindata 
     175                // AddCluster cfilter = new AddCluster(); 
     176                // cfilter.setClusterer(clusterer); 
     177                // cfilter.setInputFormat(train); 
     178                // Instances ctrain = Filter.useFilter(train, cfilter); 
     179 
     180                ctrain = new Instances(train); 
     181                ctraindata = new HashMap<>(); 
     182 
     183                // get traindata per cluster 
     184                for (int j = 0; j < ctrain.numInstances(); j++) { 
     185                    // get the cluster number from the attributes, subract 1 because if we 
     186                    // clusterInstance we get 0-n, and this is 1-n 
     187                    // cnumber = 
     188                    // Integer.parseInt(ctrain.get(j).stringValue(ctrain.get(j).numAttributes()-1).replace("cluster", 
     189                    // "")) - 1; 
     190 
     191                    int cnumber = clusterer.clusterInstance(ctrain.get(j)); 
     192                    // add training data to list of instances for this cluster number 
     193                    if (!ctraindata.containsKey(cnumber)) { 
     194                        ctraindata.put(cnumber, new Instances(traindata)); 
     195                        ctraindata.get(cnumber).delete(); 
     196                    } 
     197                    ctraindata.get(cnumber).add(traindata.get(j)); 
     198                } 
     199 
     200                for (Entry<Integer, Instances> entry : ctraindata.entrySet()) { 
     201                    Instances instances = entry.getValue(); 
     202                    int[] counts = instances.attributeStats(instances.classIndex()).nominalCounts; 
     203                    for (int count : counts) { 
     204                        sufficientInstancesInEachCluster &= count > 0; 
     205                    } 
     206                    sufficientInstancesInEachCluster &= instances.numInstances() >= 5; 
     207                } 
     208                maxNumClusters = clusterer.numberOfClusters() - 1; 
     209            } 
     210            while (!sufficientInstancesInEachCluster); 
     211 
     212            // train one classifier per cluster, we get the cluster number from the training data 
     213            Iterator<Integer> clusternumber = ctraindata.keySet().iterator(); 
     214            while (clusternumber.hasNext()) { 
     215                int cnumber = clusternumber.next(); 
     216                cclassifier.put(cnumber, setupClassifier()); 
     217                cclassifier.get(cnumber).buildClassifier(ctraindata.get(cnumber)); 
     218 
     219                // Console.traceln(Level.INFO, String.format("classifier in cluster "+cnumber)); 
     220            } 
     221        } 
     222    } 
    205223} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/WekaLocalFQTraining.java

    r25 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    2438 
    2539/** 
    26  * Trainer with reimplementation of WHERE clustering algorithm from: 
    27  * Tim Menzies, Andrew Butcher, David Cok, Andrian Marcus, Lucas Layman,  
    28  * Forrest Shull, Burak Turhan, Thomas Zimmermann,  
    29  * "Local versus Global Lessons for Defect Prediction and Effort Estimation,"  
    30  * IEEE Transactions on Software Engineering, vol. 39, no. 6, pp. 822-834, June, 2013   
     40 * Trainer with reimplementation of WHERE clustering algorithm from: Tim Menzies, Andrew Butcher, 
     41 * David Cok, Andrian Marcus, Lucas Layman, Forrest Shull, Burak Turhan, Thomas Zimmermann, 
     42 * "Local versus Global Lessons for Defect Prediction and Effort Estimation," IEEE Transactions on 
     43 * Software Engineering, vol. 39, no. 6, pp. 822-834, June, 2013 
    3144 *  
    32  * With WekaLocalFQTraining we do the following: 
    33  * 1) Run the Fastmap algorithm on all training data, let it calculate the 2 most significant  
    34  *    dimensions and projections of each instance to these dimensions 
    35  * 2) With these 2 dimensions we span a QuadTree which gets recursively split on median(x) and median(y) values. 
    36  * 3) We cluster the QuadTree nodes together if they have similar density (50%) 
    37  * 4) We save the clusters and their training data 
    38  * 5) We only use clusters with > ALPHA instances (currently Math.sqrt(SIZE)), rest is discarded with the training data of this cluster 
    39  * 6) We train a Weka classifier for each cluster with the clusters training data 
    40  * 7) We recalculate Fastmap distances for a single instance with the old pivots and then try to find a cluster containing the coords of the instance. 
    41  * 7.1.) If we can not find a cluster (due to coords outside of all clusters) we find the nearest cluster. 
    42  * 8) We classify the Instance with the classifier and traindata from the Cluster we found in 7. 
     45 * With WekaLocalFQTraining we do the following: 1) Run the Fastmap algorithm on all training data, 
     46 * let it calculate the 2 most significant dimensions and projections of each instance to these 
     47 * dimensions 2) With these 2 dimensions we span a QuadTree which gets recursively split on 
     48 * median(x) and median(y) values. 3) We cluster the QuadTree nodes together if they have similar 
     49 * density (50%) 4) We save the clusters and their training data 5) We only use clusters with > 
     50 * ALPHA instances (currently Math.sqrt(SIZE)), rest is discarded with the training data of this 
     51 * cluster 6) We train a Weka classifier for each cluster with the clusters training data 7) We 
     52 * recalculate Fastmap distances for a single instance with the old pivots and then try to find a 
     53 * cluster containing the coords of the instance. 7.1.) If we can not find a cluster (due to coords 
     54 * outside of all clusters) we find the nearest cluster. 8) We classify the Instance with the 
     55 * classifier and traindata from the Cluster we found in 7. 
    4356 */ 
    4457public class WekaLocalFQTraining extends WekaBaseTraining implements ITrainingStrategy { 
    45          
    46         private final TraindatasetCluster classifier = new TraindatasetCluster(); 
    47          
    48         @Override 
    49         public Classifier getClassifier() { 
    50                 return classifier; 
    51         } 
    52          
    53         @Override 
    54         public void apply(Instances traindata) { 
    55                 PrintStream errStr      = System.err; 
    56                 System.setErr(new PrintStream(new NullOutputStream())); 
    57                 try { 
    58                         classifier.buildClassifier(traindata); 
    59                 } catch (Exception e) { 
    60                         throw new RuntimeException(e); 
    61                 } finally { 
    62                         System.setErr(errStr); 
    63                 } 
    64         } 
    65          
    66          
    67         public class TraindatasetCluster extends AbstractClassifier { 
    68                  
    69                 private static final long serialVersionUID = 1L; 
    70                  
    71                 /* classifier per cluster */ 
    72                 private HashMap<Integer, Classifier> cclassifier; 
    73                  
    74                 /* instances per cluster */ 
    75                 private HashMap<Integer, Instances> ctraindata;  
    76                  
    77                 /* holds the instances and indices of the pivot objects of the Fastmap calculation in buildClassifier*/ 
    78                 private HashMap<Integer, Instance> cpivots; 
    79                  
    80                 /* holds the indices of the pivot objects for x,y and the dimension [x,y][dimension]*/ 
    81                 private int[][] cpivotindices; 
    82  
    83                 /* holds the sizes of the cluster multiple "boxes" per cluster */ 
    84                 private HashMap<Integer, ArrayList<Double[][]>> csize; 
    85                  
    86                 /* debug vars */ 
    87                 @SuppressWarnings("unused") 
    88                 private boolean show_biggest = true; 
    89                  
    90                 @SuppressWarnings("unused") 
    91                 private int CFOUND = 0; 
    92                 @SuppressWarnings("unused") 
    93                 private int CNOTFOUND = 0; 
    94                  
    95                  
    96                 private Instance createInstance(Instances instances, Instance instance) { 
    97                         // attributes for feeding instance to classifier 
    98                         Set<String> attributeNames = new HashSet<>(); 
    99                         for( int j=0; j<instances.numAttributes(); j++ ) { 
    100                                 attributeNames.add(instances.attribute(j).name()); 
    101                         } 
    102                          
    103                         double[] values = new double[instances.numAttributes()]; 
    104                         int index = 0; 
    105                         for( int j=0; j<instance.numAttributes(); j++ ) { 
    106                                 if( attributeNames.contains(instance.attribute(j).name())) { 
    107                                         values[index] = instance.value(j); 
    108                                         index++; 
    109                                 } 
    110                         } 
    111                          
    112                         Instances tmp = new Instances(instances); 
    113                         tmp.clear(); 
    114                         Instance instCopy = new DenseInstance(instance.weight(), values); 
    115                         instCopy.setDataset(tmp); 
    116                          
    117                         return instCopy; 
    118                 } 
    119                  
    120                 /** 
    121                  * Because Fastmap saves only the image not the values of the attributes it used 
    122                  * we can not use the old data directly to classify single instances to clusters. 
    123                  *  
    124                  * To classify a single instance we do a new fastmap computation with only the instance and 
    125                  * the old pivot elements. 
    126                  *  
    127                  * After that we find the cluster with our fastmap result for x and y. 
    128                  */ 
    129                 @Override 
    130                 public double classifyInstance(Instance instance) { 
    131                          
    132                         double ret = 0; 
    133                         try { 
    134                                 // classinstance gets passed to classifier 
    135                                 Instances traindata = ctraindata.get(0); 
    136                                 Instance classInstance = createInstance(traindata, instance); 
    137  
    138                                 // this one keeps the class attribute 
    139                                 Instances traindata2 = ctraindata.get(1);   
    140                                  
    141                                 // remove class attribute before clustering 
    142                                 Remove filter = new Remove(); 
    143                                 filter.setAttributeIndices("" + (traindata.classIndex() + 1)); 
    144                                 filter.setInputFormat(traindata); 
    145                                 traindata = Filter.useFilter(traindata, filter); 
    146                                 Instance clusterInstance = createInstance(traindata, instance); 
    147                                  
    148                                 Fastmap FMAP = new Fastmap(2); 
    149                                 EuclideanDistance dist = new EuclideanDistance(traindata); 
    150                                  
    151                                 // we set our pivot indices [x=0,y=1][dimension] 
    152                                 int[][] npivotindices = new int[2][2]; 
    153                                 npivotindices[0][0] = 1; 
    154                                 npivotindices[1][0] = 2; 
    155                                 npivotindices[0][1] = 3; 
    156                                 npivotindices[1][1] = 4; 
    157                                  
    158                                 // build temp dist matrix (2 pivots per dimension + 1 instance we want to classify) 
    159                                 // the instance we want to classify comes first after that the pivot elements in the order defined above 
    160                                 double[][] distmat = new double[2*FMAP.target_dims+1][2*FMAP.target_dims+1]; 
    161                                 distmat[0][0] = 0; 
    162                                 distmat[0][1] = dist.distance(clusterInstance, this.cpivots.get((Integer)this.cpivotindices[0][0])); 
    163                                 distmat[0][2] = dist.distance(clusterInstance, this.cpivots.get((Integer)this.cpivotindices[1][0])); 
    164                                 distmat[0][3] = dist.distance(clusterInstance, this.cpivots.get((Integer)this.cpivotindices[0][1])); 
    165                                 distmat[0][4] = dist.distance(clusterInstance, this.cpivots.get((Integer)this.cpivotindices[1][1])); 
    166                                  
    167                                 distmat[1][0] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[0][0]), clusterInstance); 
    168                                 distmat[1][1] = 0; 
    169                                 distmat[1][2] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[0][0]), this.cpivots.get((Integer)this.cpivotindices[1][0])); 
    170                                 distmat[1][3] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[0][0]), this.cpivots.get((Integer)this.cpivotindices[0][1])); 
    171                                 distmat[1][4] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[0][0]), this.cpivots.get((Integer)this.cpivotindices[1][1])); 
    172                                  
    173                                 distmat[2][0] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[1][0]), clusterInstance); 
    174                                 distmat[2][1] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[1][0]), this.cpivots.get((Integer)this.cpivotindices[0][0])); 
    175                                 distmat[2][2] = 0; 
    176                                 distmat[2][3] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[1][0]), this.cpivots.get((Integer)this.cpivotindices[0][1])); 
    177                                 distmat[2][4] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[1][0]), this.cpivots.get((Integer)this.cpivotindices[1][1])); 
    178                                  
    179                                 distmat[3][0] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[0][1]), clusterInstance); 
    180                                 distmat[3][1] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[0][1]), this.cpivots.get((Integer)this.cpivotindices[0][0])); 
    181                                 distmat[3][2] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[0][1]), this.cpivots.get((Integer)this.cpivotindices[1][0])); 
    182                                 distmat[3][3] = 0; 
    183                                 distmat[3][4] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[0][1]), this.cpivots.get((Integer)this.cpivotindices[1][1])); 
    184  
    185                                 distmat[4][0] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[1][1]), clusterInstance); 
    186                                 distmat[4][1] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[1][1]), this.cpivots.get((Integer)this.cpivotindices[0][0])); 
    187                                 distmat[4][2] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[1][1]), this.cpivots.get((Integer)this.cpivotindices[1][0])); 
    188                                 distmat[4][3] = dist.distance(this.cpivots.get((Integer)this.cpivotindices[1][1]), this.cpivots.get((Integer)this.cpivotindices[0][1])); 
    189                                 distmat[4][4] = 0; 
    190                                  
    191                                  
    192                                 /* debug output: show biggest distance found within the new distance matrix 
    193                                 double biggest = 0; 
    194                                 for(int i=0; i < distmat.length; i++) { 
    195                                         for(int j=0; j < distmat[0].length; j++) { 
    196                                                 if(biggest < distmat[i][j]) { 
    197                                                         biggest = distmat[i][j]; 
    198                                                 } 
    199                                         } 
    200                                 } 
    201                                 if(this.show_biggest) { 
    202                                         Console.traceln(Level.INFO, String.format(""+clusterInstance)); 
    203                                         Console.traceln(Level.INFO, String.format("biggest distances: "+ biggest)); 
    204                                         this.show_biggest = false; 
    205                                 } 
    206                                 */ 
    207  
    208                                 FMAP.setDistmat(distmat); 
    209                                 FMAP.setPivots(npivotindices); 
    210                                 FMAP.calculate(); 
    211                                 double[][] x = FMAP.getX(); 
    212                                 double[] proj = x[0]; 
    213  
    214                                 // debug output: show the calculated distance matrix, our result vektor for the instance and the complete result matrix 
    215                                 /* 
    216                                 Console.traceln(Level.INFO, "distmat:"); 
    217                             for(int i=0; i<distmat.length; i++){ 
    218                                 for(int j=0; j<distmat[0].length; j++){ 
    219                                         Console.trace(Level.INFO, String.format("%20s", distmat[i][j])); 
    220                                 } 
    221                                 Console.traceln(Level.INFO, ""); 
    222                             } 
    223                              
    224                             Console.traceln(Level.INFO, "vector:"); 
    225                             for(int i=0; i < proj.length; i++) { 
    226                                 Console.trace(Level.INFO, String.format("%20s", proj[i])); 
    227                             } 
    228                             Console.traceln(Level.INFO, ""); 
    229                              
    230                                 Console.traceln(Level.INFO, "resultmat:"); 
    231                             for(int i=0; i<x.length; i++){ 
    232                                 for(int j=0; j<x[0].length; j++){ 
    233                                         Console.trace(Level.INFO, String.format("%20s", x[i][j])); 
    234                                 } 
    235                                 Console.traceln(Level.INFO, ""); 
    236                             } 
    237                             */ 
    238                                  
    239                                 // now we iterate over all clusters (well, boxes of sizes per cluster really) and save the number of the  
    240                                 // cluster in which we are 
    241                                 int cnumber; 
    242                                 int found_cnumber = -1; 
    243                                 Iterator<Integer> clusternumber = this.csize.keySet().iterator(); 
    244                                 while ( clusternumber.hasNext() && found_cnumber == -1) { 
    245                                         cnumber = clusternumber.next(); 
    246                                          
    247                                         // now iterate over the boxes of the cluster and hope we find one (cluster could have been removed) 
    248                                         // or we are too far away from any cluster because of the fastmap calculation with the initial pivot objects 
    249                                         for ( int box=0; box < this.csize.get(cnumber).size(); box++ ) {  
    250                                                 Double[][] current = this.csize.get(cnumber).get(box); 
    251                                                  
    252                                                 if(proj[0] >= current[0][0] && proj[0] <= current[0][1] &&  // x  
    253                                                    proj[1] >= current[1][0] && proj[1] <= current[1][1]) {  // y 
    254                                                         found_cnumber = cnumber; 
    255                                                 } 
    256                                         } 
    257                                 } 
    258                                  
    259                                 // we want to count how often we are really inside a cluster 
    260                                 //if ( found_cnumber == -1 ) { 
    261                                 //      CNOTFOUND += 1; 
    262                                 //}else { 
    263                                 //      CFOUND += 1; 
    264                                 //} 
    265  
    266                                 // now it can happen that we do not find a cluster because we deleted it previously (too few instances) 
    267                                 // or we get bigger distance measures from weka so that we are completely outside of our clusters. 
    268                                 // in these cases we just find the nearest cluster to our instance and use it for classification. 
    269                                 // to do that we use the EuclideanDistance again to compare our distance to all other Instances 
    270                                 // then we take the cluster of the closest weka instance 
    271                                 dist = new EuclideanDistance(traindata2); 
    272                                 if( !this.ctraindata.containsKey(found_cnumber) ) {  
    273                                         double min_distance = Double.MAX_VALUE; 
    274                                         clusternumber = ctraindata.keySet().iterator(); 
    275                                         while ( clusternumber.hasNext() ) { 
    276                                                 cnumber = clusternumber.next(); 
    277                                                 for(int i=0; i < ctraindata.get(cnumber).size(); i++) { 
    278                                                         if(dist.distance(instance, ctraindata.get(cnumber).get(i)) <= min_distance) { 
    279                                                                 found_cnumber = cnumber; 
    280                                                                 min_distance = dist.distance(instance, ctraindata.get(cnumber).get(i)); 
    281                                                         } 
    282                                                 } 
    283                                         } 
    284                                 } 
    285                                  
    286                                 // here we have the cluster where an instance has the minimum distance between itself and the 
    287                                 // instance we want to classify 
    288                                 // if we still have not found a cluster we exit because something is really wrong 
    289                                 if( found_cnumber == -1 ) { 
    290                                         Console.traceln(Level.INFO, String.format("ERROR matching instance to cluster with full search!")); 
    291                                         throw new RuntimeException("cluster not found with full search"); 
    292                                 } 
    293                                  
    294                                 // classify the passed instance with the cluster we found and its training data 
    295                                 ret = cclassifier.get(found_cnumber).classifyInstance(classInstance); 
    296                                  
    297                         }catch( Exception e ) { 
    298                                 Console.traceln(Level.INFO, String.format("ERROR matching instance to cluster!")); 
    299                                 throw new RuntimeException(e); 
    300                         } 
    301                         return ret; 
    302                 } 
    303                  
    304                 @Override 
    305                 public void buildClassifier(Instances traindata) throws Exception { 
    306                          
    307                         //Console.traceln(Level.INFO, String.format("found: "+ CFOUND + ", notfound: " + CNOTFOUND)); 
    308                         this.show_biggest = true; 
    309                          
    310                         cclassifier = new HashMap<Integer, Classifier>(); 
    311                         ctraindata = new HashMap<Integer, Instances>(); 
    312                         cpivots = new HashMap<Integer, Instance>(); 
    313                         cpivotindices = new int[2][2]; 
    314                          
    315                         // 1. copy traindata 
    316                         Instances train = new Instances(traindata); 
    317                         Instances train2 = new Instances(traindata);  // this one keeps the class attribute 
    318                          
    319                         // 2. remove class attribute for clustering 
    320                         Remove filter = new Remove(); 
    321                         filter.setAttributeIndices("" + (train.classIndex() + 1)); 
    322                         filter.setInputFormat(train); 
    323                         train = Filter.useFilter(train, filter); 
    324                          
    325                         // 3. calculate distance matrix (needed for Fastmap because it starts at dimension 1) 
    326                         double biggest = 0; 
    327                         EuclideanDistance dist = new EuclideanDistance(train); 
    328                         double[][] distmat = new double[train.size()][train.size()]; 
    329                         for( int i=0; i < train.size(); i++ ) { 
    330                                 for( int j=0; j < train.size(); j++ ) { 
    331                                         distmat[i][j] = dist.distance(train.get(i), train.get(j)); 
    332                                         if( distmat[i][j] > biggest ) { 
    333                                                 biggest = distmat[i][j]; 
    334                                         } 
    335                                 } 
    336                         } 
    337                         //Console.traceln(Level.INFO, String.format("biggest distances: "+ biggest)); 
    338                          
    339                         // 4. run fastmap for 2 dimensions on the distance matrix 
    340                         Fastmap FMAP = new Fastmap(2); 
    341                         FMAP.setDistmat(distmat); 
    342                         FMAP.calculate(); 
    343                          
    344                         cpivotindices = FMAP.getPivots(); 
    345                          
    346                         double[][] X = FMAP.getX(); 
    347                         distmat = new double[0][0]; 
    348                         System.gc(); 
    349                          
    350                         // quadtree payload generation 
    351                         ArrayList<QuadTreePayload<Instance>> qtp = new ArrayList<QuadTreePayload<Instance>>(); 
    352                      
    353                         // we need these for the sizes of the quadrants 
    354                         double[] big = {0,0}; 
    355                         double[] small = {Double.MAX_VALUE,Double.MAX_VALUE}; 
    356                          
    357                         // set quadtree payload values and get max and min x and y values for size 
    358                     for( int i=0; i<X.length; i++ ){ 
    359                         if(X[i][0] >= big[0]) { 
    360                                 big[0] = X[i][0]; 
    361                         } 
    362                         if(X[i][1] >= big[1]) { 
    363                                 big[1] = X[i][1]; 
    364                         } 
    365                         if(X[i][0] <= small[0]) { 
    366                                 small[0] = X[i][0]; 
    367                         } 
    368                         if(X[i][1] <= small[1]) { 
    369                                 small[1] = X[i][1]; 
    370                         } 
    371                         QuadTreePayload<Instance> tmp = new QuadTreePayload<Instance>(X[i][0], X[i][1], train2.get(i)); 
    372                         qtp.add(tmp); 
    373                     } 
    374                      
    375                     //Console.traceln(Level.INFO, String.format("size for cluster ("+small[0]+","+small[1]+") - ("+big[0]+","+big[1]+")")); 
    376                      
    377                     // 5. generate quadtree 
    378                     QuadTree TREE = new QuadTree(null, qtp); 
    379                     QuadTree.size = train.size(); 
    380                     QuadTree.alpha = Math.sqrt(train.size()); 
    381                     QuadTree.ccluster = new ArrayList<ArrayList<QuadTreePayload<Instance>>>(); 
    382                     QuadTree.csize = new HashMap<Integer, ArrayList<Double[][]>>(); 
    383                      
    384                     //Console.traceln(Level.INFO, String.format("Generate QuadTree with "+ QuadTree.size + " size, Alpha: "+ QuadTree.alpha+ "")); 
    385                      
    386                     // set the size and then split the tree recursively at the median value for x, y 
    387                     TREE.setSize(new double[] {small[0], big[0]}, new double[] {small[1], big[1]}); 
    388                      
    389                     // recursive split und grid clustering eher static 
    390                     TREE.recursiveSplit(TREE); 
    391                      
    392                     // generate list of nodes sorted by density (childs only) 
    393                     ArrayList<QuadTree> l = new ArrayList<QuadTree>(TREE.getList(TREE)); 
    394                      
    395                     // recursive grid clustering (tree pruning), the values are stored in ccluster 
    396                     TREE.gridClustering(l); 
    397                      
    398                     // wir iterieren durch die cluster und sammeln uns die instanzen daraus 
    399                     //ctraindata.clear(); 
    400                     for( int i=0; i < QuadTree.ccluster.size(); i++ ) { 
    401                         ArrayList<QuadTreePayload<Instance>> current = QuadTree.ccluster.get(i); 
    402                          
    403                         // i is the clusternumber 
    404                         // we only allow clusters with Instances > ALPHA, other clusters are not considered! 
    405                         //if(current.size() > QuadTree.alpha) { 
    406                         if( current.size() > 4 ) { 
    407                                 for( int j=0; j < current.size(); j++ ) { 
    408                                         if( !ctraindata.containsKey(i) ) { 
    409                                                 ctraindata.put(i, new Instances(train2)); 
    410                                                 ctraindata.get(i).delete(); 
    411                                         } 
    412                                         ctraindata.get(i).add(current.get(j).getInst()); 
    413                                 } 
    414                         }else{ 
    415                                 Console.traceln(Level.INFO, String.format("drop cluster, only: " + current.size() + " instances")); 
    416                         } 
    417                     } 
    418                          
    419                         // here we keep things we need later on 
    420                         // QuadTree sizes for later use (matching new instances) 
    421                         this.csize = new HashMap<Integer, ArrayList<Double[][]>>(QuadTree.csize); 
    422                  
    423                         // pivot elements 
    424                         //this.cpivots.clear(); 
    425                         for( int i=0; i < FMAP.PA[0].length; i++ ) { 
    426                                 this.cpivots.put(FMAP.PA[0][i], (Instance)train.get(FMAP.PA[0][i]).copy()); 
    427                         } 
    428                         for( int j=0; j < FMAP.PA[0].length; j++ ) { 
    429                                 this.cpivots.put(FMAP.PA[1][j], (Instance)train.get(FMAP.PA[1][j]).copy()); 
    430                         } 
    431                          
    432                          
    433                         /* debug output 
    434                         int pnumber; 
    435                         Iterator<Integer> pivotnumber = cpivots.keySet().iterator(); 
    436                         while ( pivotnumber.hasNext() ) { 
    437                                 pnumber = pivotnumber.next(); 
    438                                 Console.traceln(Level.INFO, String.format("pivot: "+pnumber+ " inst: "+cpivots.get(pnumber))); 
    439                         } 
    440                         */ 
    441                          
    442                     // train one classifier per cluster, we get the cluster number from the traindata 
    443                     int cnumber; 
    444                         Iterator<Integer> clusternumber = ctraindata.keySet().iterator(); 
    445                         //cclassifier.clear(); 
    446                          
    447                         //int traindata_count = 0; 
    448                         while ( clusternumber.hasNext() ) { 
    449                                 cnumber = clusternumber.next(); 
    450                                 cclassifier.put(cnumber,setupClassifier());  // this is the classifier used for the cluster  
    451                                 cclassifier.get(cnumber).buildClassifier(ctraindata.get(cnumber)); 
    452                                 //Console.traceln(Level.INFO, String.format("classifier in cluster "+cnumber)); 
    453                                 //traindata_count += ctraindata.get(cnumber).size(); 
    454                                 //Console.traceln(Level.INFO, String.format("building classifier in cluster "+cnumber +"  with "+ ctraindata.get(cnumber).size() +" traindata instances")); 
    455                         } 
    456                          
    457                         // add all traindata 
    458                         //Console.traceln(Level.INFO, String.format("traindata in all clusters: " + traindata_count)); 
    459                 } 
    460         } 
    461          
    462  
    463         /** 
    464          * Payload for the QuadTree. 
    465          * x and y are the calculated Fastmap values. 
    466          * T is a weka instance. 
    467          */ 
    468         public class QuadTreePayload<T> { 
    469  
    470                 public double x; 
    471                 public double y; 
    472                 private T inst; 
    473                  
    474                 public QuadTreePayload(double x, double y, T value) { 
    475                         this.x = x; 
    476                         this.y = y; 
    477                         this.inst = value; 
    478                 } 
    479                  
    480                 public T getInst() { 
    481                         return this.inst; 
    482                 } 
    483         } 
    484          
    485          
    486         /** 
    487          * Fastmap implementation 
    488          *  
    489          * Faloutsos, C., & Lin, K. I. (1995).  
    490          * FastMap: A fast algorithm for indexing, data-mining and visualization of traditional and multimedia datasets  
    491          * (Vol. 24, No. 2, pp. 163-174). ACM. 
    492          */ 
    493         public class Fastmap { 
    494                  
    495                 /*N x k Array, at the end, the i-th row will be the image of the i-th object*/ 
    496                 private double[][] X; 
    497                  
    498                 /*2 x k pivot Array one pair per recursive call*/ 
    499                 private int[][] PA; 
    500                  
    501                 /*Objects we got (distance matrix)*/ 
    502                 private double[][] O; 
    503                  
    504                 /*column of X currently updated (also the dimension)*/ 
    505                 private int col = 0; 
    506                  
    507                 /*number of dimensions we want*/ 
    508                 private int target_dims = 0; 
    509                  
    510                 // if we already have the pivot elements 
    511                 private boolean pivot_set = false; 
    512                  
    513  
    514                 public Fastmap(int k) { 
    515                         this.target_dims = k; 
    516                 } 
    517                  
    518                 /** 
    519                  * Sets the distance matrix 
    520                  * and params that depend on this 
    521                  * @param O 
    522                  */ 
    523                 public void setDistmat(double[][] O) { 
    524                         this.O = O; 
    525                         int N = O.length; 
    526                         this.X = new double[N][this.target_dims]; 
    527                         this.PA = new int[2][this.target_dims]; 
    528                 } 
    529                  
    530                 /** 
    531                  * Set pivot elements, we need that to classify instances 
    532                  * after the calculation is complete (because we then want to reuse 
    533                  * only the pivot elements). 
    534                  *  
    535                  * @param pi 
    536                  */ 
    537                 public void setPivots(int[][] pi) { 
    538                         this.pivot_set = true; 
    539                         this.PA = pi; 
    540                 } 
    541                  
    542                 /** 
    543                  * Return the pivot elements that were chosen during the calculation 
    544                  *  
    545                  * @return 
    546                  */ 
    547                 public int[][] getPivots() { 
    548                         return this.PA; 
    549                 } 
    550                  
    551                 /** 
    552                  * The distance function for euclidean distance 
    553                  *  
    554                  * Acts according to equation 4 of the fastmap paper 
    555                  *   
    556                  * @param x x index of x image (if k==0 x object) 
    557                  * @param y y index of y image (if k==0 y object) 
    558                  * @param kdimensionality 
    559                  * @return distance 
    560                  */ 
    561                 private double dist(int x, int y, int k) { 
    562                          
    563                         // basis is object distance, we get this from our distance matrix 
    564                         double tmp = this.O[x][y] * this.O[x][y];  
    565                          
    566                         // decrease by projections 
    567                         for( int i=0; i < k; i++ ) { 
    568                                 double tmp2 = (this.X[x][i] - this.X[y][i]); 
    569                                 tmp -= tmp2 * tmp2; 
    570                         } 
    571                          
    572                         return Math.abs(tmp); 
    573                 } 
    574  
    575                 /** 
    576                  * Find the object farthest from the given index 
    577                  * This method is a helper Method for findDistandObjects 
    578                  *  
    579                  * @param index of the object  
    580                  * @return index of the farthest object from the given index 
    581                  */ 
    582                 private int findFarthest(int index) { 
    583                         double furthest = Double.MIN_VALUE; 
    584                         int ret = 0; 
    585                          
    586                         for( int i=0; i < O.length; i++ ) { 
    587                                 double dist = this.dist(i, index, this.col); 
    588                                 if( i != index && dist > furthest ) { 
    589                                         furthest = dist; 
    590                                         ret = i; 
    591                                 } 
    592                         } 
    593                         return ret; 
    594                 } 
    595                  
    596                 /** 
    597                  * Finds the pivot objects  
    598                  *  
    599                  * This method is basically algorithm 1 of the fastmap paper. 
    600                  *  
    601                  * @return 2 indexes of the choosen pivot objects 
    602                  */ 
    603                 private int[] findDistantObjects() { 
    604                         // 1. choose object randomly 
    605                         Random r = new Random(); 
    606                         int obj = r.nextInt(this.O.length); 
    607                          
    608                         // 2. find farthest object from randomly chosen object 
    609                         int idx1 = this.findFarthest(obj); 
    610                          
    611                         // 3. find farthest object from previously farthest object 
    612                         int idx2 = this.findFarthest(idx1); 
    613  
    614                         return new int[] {idx1, idx2}; 
    615                 } 
    616          
    617                 /** 
    618                  * Calculates the new k-vector values (projections) 
    619                  *  
    620                  * This is basically algorithm 2 of the fastmap paper. 
    621                  * We just added the possibility to pre-set the pivot elements because 
    622                  * we need to classify single instances after the computation is already done. 
    623                  *  
    624                  * @param dims dimensionality 
    625                  */ 
    626                 public void calculate() { 
    627                          
    628                         for( int k=0; k < this.target_dims; k++ ) { 
    629                                 // 2) choose pivot objects 
    630                                 if ( !this.pivot_set ) { 
    631                                         int[] pivots = this.findDistantObjects(); 
    632                  
    633                                         // 3) record ids of pivot objects  
    634                                         this.PA[0][this.col] = pivots[0]; 
    635                                         this.PA[1][this.col] = pivots[1]; 
    636                                 } 
    637                                  
    638                                 // 4) inter object distances are zero (this.X is initialized with 0 so we just continue) 
    639                                 if( this.dist(this.PA[0][this.col], this.PA[1][this.col], this.col) == 0 ) { 
    640                                         continue; 
    641                                 } 
    642                                  
    643                                 // 5) project the objects on the line between the pivots 
    644                                 double dxy = this.dist(this.PA[0][this.col], this.PA[1][this.col], this.col); 
    645                                 for( int i=0; i < this.O.length; i++ ) { 
    646                                          
    647                                         double dix = this.dist(i, this.PA[0][this.col], this.col); 
    648                                         double diy = this.dist(i, this.PA[1][this.col], this.col); 
    649                                          
    650                                         double tmp = (dix + dxy - diy) / (2 * Math.sqrt(dxy)); 
    651                                          
    652                                         // save the projection 
    653                                         this.X[i][this.col] = tmp; 
    654                                 } 
    655                                  
    656                                 this.col += 1; 
    657                         } 
    658                 } 
    659                  
    660                 /** 
    661                  * returns the result matrix of the projections 
    662                  *  
    663                  * @return calculated result 
    664                  */ 
    665                 public double[][] getX() { 
    666                         return this.X; 
    667                 } 
    668         } 
     58 
     59    private final TraindatasetCluster classifier = new TraindatasetCluster(); 
     60 
     61    @Override 
     62    public Classifier getClassifier() { 
     63        return classifier; 
     64    } 
     65 
     66    @Override 
     67    public void apply(Instances traindata) { 
     68        PrintStream errStr = System.err; 
     69        System.setErr(new PrintStream(new NullOutputStream())); 
     70        try { 
     71            classifier.buildClassifier(traindata); 
     72        } 
     73        catch (Exception e) { 
     74            throw new RuntimeException(e); 
     75        } 
     76        finally { 
     77            System.setErr(errStr); 
     78        } 
     79    } 
     80 
     81    public class TraindatasetCluster extends AbstractClassifier { 
     82 
     83        private static final long serialVersionUID = 1L; 
     84 
     85        /* classifier per cluster */ 
     86        private HashMap<Integer, Classifier> cclassifier; 
     87 
     88        /* instances per cluster */ 
     89        private HashMap<Integer, Instances> ctraindata; 
     90 
     91        /* 
     92         * holds the instances and indices of the pivot objects of the Fastmap calculation in 
     93         * buildClassifier 
     94         */ 
     95        private HashMap<Integer, Instance> cpivots; 
     96 
     97        /* holds the indices of the pivot objects for x,y and the dimension [x,y][dimension] */ 
     98        private int[][] cpivotindices; 
     99 
     100        /* holds the sizes of the cluster multiple "boxes" per cluster */ 
     101        private HashMap<Integer, ArrayList<Double[][]>> csize; 
     102 
     103        /* debug vars */ 
     104        @SuppressWarnings("unused") 
     105        private boolean show_biggest = true; 
     106 
     107        @SuppressWarnings("unused") 
     108        private int CFOUND = 0; 
     109        @SuppressWarnings("unused") 
     110        private int CNOTFOUND = 0; 
     111 
     112        private Instance createInstance(Instances instances, Instance instance) { 
     113            // attributes for feeding instance to classifier 
     114            Set<String> attributeNames = new HashSet<>(); 
     115            for (int j = 0; j < instances.numAttributes(); j++) { 
     116                attributeNames.add(instances.attribute(j).name()); 
     117            } 
     118 
     119            double[] values = new double[instances.numAttributes()]; 
     120            int index = 0; 
     121            for (int j = 0; j < instance.numAttributes(); j++) { 
     122                if (attributeNames.contains(instance.attribute(j).name())) { 
     123                    values[index] = instance.value(j); 
     124                    index++; 
     125                } 
     126            } 
     127 
     128            Instances tmp = new Instances(instances); 
     129            tmp.clear(); 
     130            Instance instCopy = new DenseInstance(instance.weight(), values); 
     131            instCopy.setDataset(tmp); 
     132 
     133            return instCopy; 
     134        } 
     135 
     136        /** 
     137         * Because Fastmap saves only the image not the values of the attributes it used we can not 
     138         * use the old data directly to classify single instances to clusters. 
     139         *  
     140         * To classify a single instance we do a new fastmap computation with only the instance and 
     141         * the old pivot elements. 
     142         *  
     143         * After that we find the cluster with our fastmap result for x and y. 
     144         */ 
     145        @Override 
     146        public double classifyInstance(Instance instance) { 
     147 
     148            double ret = 0; 
     149            try { 
     150                // classinstance gets passed to classifier 
     151                Instances traindata = ctraindata.get(0); 
     152                Instance classInstance = createInstance(traindata, instance); 
     153 
     154                // this one keeps the class attribute 
     155                Instances traindata2 = ctraindata.get(1); 
     156 
     157                // remove class attribute before clustering 
     158                Remove filter = new Remove(); 
     159                filter.setAttributeIndices("" + (traindata.classIndex() + 1)); 
     160                filter.setInputFormat(traindata); 
     161                traindata = Filter.useFilter(traindata, filter); 
     162                Instance clusterInstance = createInstance(traindata, instance); 
     163 
     164                Fastmap FMAP = new Fastmap(2); 
     165                EuclideanDistance dist = new EuclideanDistance(traindata); 
     166 
     167                // we set our pivot indices [x=0,y=1][dimension] 
     168                int[][] npivotindices = new int[2][2]; 
     169                npivotindices[0][0] = 1; 
     170                npivotindices[1][0] = 2; 
     171                npivotindices[0][1] = 3; 
     172                npivotindices[1][1] = 4; 
     173 
     174                // build temp dist matrix (2 pivots per dimension + 1 instance we want to classify) 
     175                // the instance we want to classify comes first after that the pivot elements in the 
     176                // order defined above 
     177                double[][] distmat = new double[2 * FMAP.target_dims + 1][2 * FMAP.target_dims + 1]; 
     178                distmat[0][0] = 0; 
     179                distmat[0][1] = 
     180                    dist.distance(clusterInstance, 
     181                                  this.cpivots.get((Integer) this.cpivotindices[0][0])); 
     182                distmat[0][2] = 
     183                    dist.distance(clusterInstance, 
     184                                  this.cpivots.get((Integer) this.cpivotindices[1][0])); 
     185                distmat[0][3] = 
     186                    dist.distance(clusterInstance, 
     187                                  this.cpivots.get((Integer) this.cpivotindices[0][1])); 
     188                distmat[0][4] = 
     189                    dist.distance(clusterInstance, 
     190                                  this.cpivots.get((Integer) this.cpivotindices[1][1])); 
     191 
     192                distmat[1][0] = 
     193                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[0][0]), 
     194                                  clusterInstance); 
     195                distmat[1][1] = 0; 
     196                distmat[1][2] = 
     197                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[0][0]), 
     198                                  this.cpivots.get((Integer) this.cpivotindices[1][0])); 
     199                distmat[1][3] = 
     200                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[0][0]), 
     201                                  this.cpivots.get((Integer) this.cpivotindices[0][1])); 
     202                distmat[1][4] = 
     203                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[0][0]), 
     204                                  this.cpivots.get((Integer) this.cpivotindices[1][1])); 
     205 
     206                distmat[2][0] = 
     207                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[1][0]), 
     208                                  clusterInstance); 
     209                distmat[2][1] = 
     210                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[1][0]), 
     211                                  this.cpivots.get((Integer) this.cpivotindices[0][0])); 
     212                distmat[2][2] = 0; 
     213                distmat[2][3] = 
     214                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[1][0]), 
     215                                  this.cpivots.get((Integer) this.cpivotindices[0][1])); 
     216                distmat[2][4] = 
     217                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[1][0]), 
     218                                  this.cpivots.get((Integer) this.cpivotindices[1][1])); 
     219 
     220                distmat[3][0] = 
     221                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[0][1]), 
     222                                  clusterInstance); 
     223                distmat[3][1] = 
     224                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[0][1]), 
     225                                  this.cpivots.get((Integer) this.cpivotindices[0][0])); 
     226                distmat[3][2] = 
     227                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[0][1]), 
     228                                  this.cpivots.get((Integer) this.cpivotindices[1][0])); 
     229                distmat[3][3] = 0; 
     230                distmat[3][4] = 
     231                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[0][1]), 
     232                                  this.cpivots.get((Integer) this.cpivotindices[1][1])); 
     233 
     234                distmat[4][0] = 
     235                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[1][1]), 
     236                                  clusterInstance); 
     237                distmat[4][1] = 
     238                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[1][1]), 
     239                                  this.cpivots.get((Integer) this.cpivotindices[0][0])); 
     240                distmat[4][2] = 
     241                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[1][1]), 
     242                                  this.cpivots.get((Integer) this.cpivotindices[1][0])); 
     243                distmat[4][3] = 
     244                    dist.distance(this.cpivots.get((Integer) this.cpivotindices[1][1]), 
     245                                  this.cpivots.get((Integer) this.cpivotindices[0][1])); 
     246                distmat[4][4] = 0; 
     247 
     248                /* 
     249                 * debug output: show biggest distance found within the new distance matrix double 
     250                 * biggest = 0; for(int i=0; i < distmat.length; i++) { for(int j=0; j < 
     251                 * distmat[0].length; j++) { if(biggest < distmat[i][j]) { biggest = distmat[i][j]; 
     252                 * } } } if(this.show_biggest) { Console.traceln(Level.INFO, 
     253                 * String.format(""+clusterInstance)); Console.traceln(Level.INFO, 
     254                 * String.format("biggest distances: "+ biggest)); this.show_biggest = false; } 
     255                 */ 
     256 
     257                FMAP.setDistmat(distmat); 
     258                FMAP.setPivots(npivotindices); 
     259                FMAP.calculate(); 
     260                double[][] x = FMAP.getX(); 
     261                double[] proj = x[0]; 
     262 
     263                // debug output: show the calculated distance matrix, our result vektor for the 
     264                // instance and the complete result matrix 
     265                /* 
     266                 * Console.traceln(Level.INFO, "distmat:"); for(int i=0; i<distmat.length; i++){ 
     267                 * for(int j=0; j<distmat[0].length; j++){ Console.trace(Level.INFO, 
     268                 * String.format("%20s", distmat[i][j])); } Console.traceln(Level.INFO, ""); } 
     269                 *  
     270                 * Console.traceln(Level.INFO, "vector:"); for(int i=0; i < proj.length; i++) { 
     271                 * Console.trace(Level.INFO, String.format("%20s", proj[i])); } 
     272                 * Console.traceln(Level.INFO, ""); 
     273                 *  
     274                 * Console.traceln(Level.INFO, "resultmat:"); for(int i=0; i<x.length; i++){ for(int 
     275                 * j=0; j<x[0].length; j++){ Console.trace(Level.INFO, String.format("%20s", 
     276                 * x[i][j])); } Console.traceln(Level.INFO, ""); } 
     277                 */ 
     278 
     279                // now we iterate over all clusters (well, boxes of sizes per cluster really) and 
     280                // save the number of the 
     281                // cluster in which we are 
     282                int cnumber; 
     283                int found_cnumber = -1; 
     284                Iterator<Integer> clusternumber = this.csize.keySet().iterator(); 
     285                while (clusternumber.hasNext() && found_cnumber == -1) { 
     286                    cnumber = clusternumber.next(); 
     287 
     288                    // now iterate over the boxes of the cluster and hope we find one (cluster could 
     289                    // have been removed) 
     290                    // or we are too far away from any cluster because of the fastmap calculation 
     291                    // with the initial pivot objects 
     292                    for (int box = 0; box < this.csize.get(cnumber).size(); box++) { 
     293                        Double[][] current = this.csize.get(cnumber).get(box); 
     294 
     295                        if (proj[0] >= current[0][0] && proj[0] <= current[0][1] && // x 
     296                            proj[1] >= current[1][0] && proj[1] <= current[1][1]) 
     297                        { // y 
     298                            found_cnumber = cnumber; 
     299                        } 
     300                    } 
     301                } 
     302 
     303                // we want to count how often we are really inside a cluster 
     304                // if ( found_cnumber == -1 ) { 
     305                // CNOTFOUND += 1; 
     306                // }else { 
     307                // CFOUND += 1; 
     308                // } 
     309 
     310                // now it can happen that we do not find a cluster because we deleted it previously 
     311                // (too few instances) 
     312                // or we get bigger distance measures from weka so that we are completely outside of 
     313                // our clusters. 
     314                // in these cases we just find the nearest cluster to our instance and use it for 
     315                // classification. 
     316                // to do that we use the EuclideanDistance again to compare our distance to all 
     317                // other Instances 
     318                // then we take the cluster of the closest weka instance 
     319                dist = new EuclideanDistance(traindata2); 
     320                if (!this.ctraindata.containsKey(found_cnumber)) { 
     321                    double min_distance = Double.MAX_VALUE; 
     322                    clusternumber = ctraindata.keySet().iterator(); 
     323                    while (clusternumber.hasNext()) { 
     324                        cnumber = clusternumber.next(); 
     325                        for (int i = 0; i < ctraindata.get(cnumber).size(); i++) { 
     326                            if (dist.distance(instance, ctraindata.get(cnumber).get(i)) <= min_distance) 
     327                            { 
     328                                found_cnumber = cnumber; 
     329                                min_distance = 
     330                                    dist.distance(instance, ctraindata.get(cnumber).get(i)); 
     331                            } 
     332                        } 
     333                    } 
     334                } 
     335 
     336                // here we have the cluster where an instance has the minimum distance between 
     337                // itself and the 
     338                // instance we want to classify 
     339                // if we still have not found a cluster we exit because something is really wrong 
     340                if (found_cnumber == -1) { 
     341                    Console.traceln(Level.INFO, String 
     342                        .format("ERROR matching instance to cluster with full search!")); 
     343                    throw new RuntimeException("cluster not found with full search"); 
     344                } 
     345 
     346                // classify the passed instance with the cluster we found and its training data 
     347                ret = cclassifier.get(found_cnumber).classifyInstance(classInstance); 
     348 
     349            } 
     350            catch (Exception e) { 
     351                Console.traceln(Level.INFO, String.format("ERROR matching instance to cluster!")); 
     352                throw new RuntimeException(e); 
     353            } 
     354            return ret; 
     355        } 
     356 
     357        @Override 
     358        public void buildClassifier(Instances traindata) throws Exception { 
     359 
     360            // Console.traceln(Level.INFO, String.format("found: "+ CFOUND + ", notfound: " + 
     361            // CNOTFOUND)); 
     362            this.show_biggest = true; 
     363 
     364            cclassifier = new HashMap<Integer, Classifier>(); 
     365            ctraindata = new HashMap<Integer, Instances>(); 
     366            cpivots = new HashMap<Integer, Instance>(); 
     367            cpivotindices = new int[2][2]; 
     368 
     369            // 1. copy traindata 
     370            Instances train = new Instances(traindata); 
     371            Instances train2 = new Instances(traindata); // this one keeps the class attribute 
     372 
     373            // 2. remove class attribute for clustering 
     374            Remove filter = new Remove(); 
     375            filter.setAttributeIndices("" + (train.classIndex() + 1)); 
     376            filter.setInputFormat(train); 
     377            train = Filter.useFilter(train, filter); 
     378 
     379            // 3. calculate distance matrix (needed for Fastmap because it starts at dimension 1) 
     380            double biggest = 0; 
     381            EuclideanDistance dist = new EuclideanDistance(train); 
     382            double[][] distmat = new double[train.size()][train.size()]; 
     383            for (int i = 0; i < train.size(); i++) { 
     384                for (int j = 0; j < train.size(); j++) { 
     385                    distmat[i][j] = dist.distance(train.get(i), train.get(j)); 
     386                    if (distmat[i][j] > biggest) { 
     387                        biggest = distmat[i][j]; 
     388                    } 
     389                } 
     390            } 
     391            // Console.traceln(Level.INFO, String.format("biggest distances: "+ biggest)); 
     392 
     393            // 4. run fastmap for 2 dimensions on the distance matrix 
     394            Fastmap FMAP = new Fastmap(2); 
     395            FMAP.setDistmat(distmat); 
     396            FMAP.calculate(); 
     397 
     398            cpivotindices = FMAP.getPivots(); 
     399 
     400            double[][] X = FMAP.getX(); 
     401            distmat = new double[0][0]; 
     402            System.gc(); 
     403 
     404            // quadtree payload generation 
     405            ArrayList<QuadTreePayload<Instance>> qtp = new ArrayList<QuadTreePayload<Instance>>(); 
     406 
     407            // we need these for the sizes of the quadrants 
     408            double[] big = 
     409                { 0, 0 }; 
     410            double[] small = 
     411                { Double.MAX_VALUE, Double.MAX_VALUE }; 
     412 
     413            // set quadtree payload values and get max and min x and y values for size 
     414            for (int i = 0; i < X.length; i++) { 
     415                if (X[i][0] >= big[0]) { 
     416                    big[0] = X[i][0]; 
     417                } 
     418                if (X[i][1] >= big[1]) { 
     419                    big[1] = X[i][1]; 
     420                } 
     421                if (X[i][0] <= small[0]) { 
     422                    small[0] = X[i][0]; 
     423                } 
     424                if (X[i][1] <= small[1]) { 
     425                    small[1] = X[i][1]; 
     426                } 
     427                QuadTreePayload<Instance> tmp = 
     428                    new QuadTreePayload<Instance>(X[i][0], X[i][1], train2.get(i)); 
     429                qtp.add(tmp); 
     430            } 
     431 
     432            // Console.traceln(Level.INFO, 
     433            // String.format("size for cluster ("+small[0]+","+small[1]+") - ("+big[0]+","+big[1]+")")); 
     434 
     435            // 5. generate quadtree 
     436            QuadTree TREE = new QuadTree(null, qtp); 
     437            QuadTree.size = train.size(); 
     438            QuadTree.alpha = Math.sqrt(train.size()); 
     439            QuadTree.ccluster = new ArrayList<ArrayList<QuadTreePayload<Instance>>>(); 
     440            QuadTree.csize = new HashMap<Integer, ArrayList<Double[][]>>(); 
     441 
     442            // Console.traceln(Level.INFO, String.format("Generate QuadTree with "+ QuadTree.size + 
     443            // " size, Alpha: "+ QuadTree.alpha+ "")); 
     444 
     445            // set the size and then split the tree recursively at the median value for x, y 
     446            TREE.setSize(new double[] 
     447                { small[0], big[0] }, new double[] 
     448                { small[1], big[1] }); 
     449 
     450            // recursive split und grid clustering eher static 
     451            TREE.recursiveSplit(TREE); 
     452 
     453            // generate list of nodes sorted by density (childs only) 
     454            ArrayList<QuadTree> l = new ArrayList<QuadTree>(TREE.getList(TREE)); 
     455 
     456            // recursive grid clustering (tree pruning), the values are stored in ccluster 
     457            TREE.gridClustering(l); 
     458 
     459            // wir iterieren durch die cluster und sammeln uns die instanzen daraus 
     460            // ctraindata.clear(); 
     461            for (int i = 0; i < QuadTree.ccluster.size(); i++) { 
     462                ArrayList<QuadTreePayload<Instance>> current = QuadTree.ccluster.get(i); 
     463 
     464                // i is the clusternumber 
     465                // we only allow clusters with Instances > ALPHA, other clusters are not considered! 
     466                // if(current.size() > QuadTree.alpha) { 
     467                if (current.size() > 4) { 
     468                    for (int j = 0; j < current.size(); j++) { 
     469                        if (!ctraindata.containsKey(i)) { 
     470                            ctraindata.put(i, new Instances(train2)); 
     471                            ctraindata.get(i).delete(); 
     472                        } 
     473                        ctraindata.get(i).add(current.get(j).getInst()); 
     474                    } 
     475                } 
     476                else { 
     477                    Console.traceln(Level.INFO, 
     478                                    String.format("drop cluster, only: " + current.size() + 
     479                                        " instances")); 
     480                } 
     481            } 
     482 
     483            // here we keep things we need later on 
     484            // QuadTree sizes for later use (matching new instances) 
     485            this.csize = new HashMap<Integer, ArrayList<Double[][]>>(QuadTree.csize); 
     486 
     487            // pivot elements 
     488            // this.cpivots.clear(); 
     489            for (int i = 0; i < FMAP.PA[0].length; i++) { 
     490                this.cpivots.put(FMAP.PA[0][i], (Instance) train.get(FMAP.PA[0][i]).copy()); 
     491            } 
     492            for (int j = 0; j < FMAP.PA[0].length; j++) { 
     493                this.cpivots.put(FMAP.PA[1][j], (Instance) train.get(FMAP.PA[1][j]).copy()); 
     494            } 
     495 
     496            /* 
     497             * debug output int pnumber; Iterator<Integer> pivotnumber = 
     498             * cpivots.keySet().iterator(); while ( pivotnumber.hasNext() ) { pnumber = 
     499             * pivotnumber.next(); Console.traceln(Level.INFO, String.format("pivot: "+pnumber+ 
     500             * " inst: "+cpivots.get(pnumber))); } 
     501             */ 
     502 
     503            // train one classifier per cluster, we get the cluster number from the traindata 
     504            int cnumber; 
     505            Iterator<Integer> clusternumber = ctraindata.keySet().iterator(); 
     506            // cclassifier.clear(); 
     507 
     508            // int traindata_count = 0; 
     509            while (clusternumber.hasNext()) { 
     510                cnumber = clusternumber.next(); 
     511                cclassifier.put(cnumber, setupClassifier()); // this is the classifier used for the 
     512                                                             // cluster 
     513                cclassifier.get(cnumber).buildClassifier(ctraindata.get(cnumber)); 
     514                // Console.traceln(Level.INFO, String.format("classifier in cluster "+cnumber)); 
     515                // traindata_count += ctraindata.get(cnumber).size(); 
     516                // Console.traceln(Level.INFO, 
     517                // String.format("building classifier in cluster "+cnumber +"  with "+ 
     518                // ctraindata.get(cnumber).size() +" traindata instances")); 
     519            } 
     520 
     521            // add all traindata 
     522            // Console.traceln(Level.INFO, String.format("traindata in all clusters: " + 
     523            // traindata_count)); 
     524        } 
     525    } 
     526 
     527    /** 
     528     * Payload for the QuadTree. x and y are the calculated Fastmap values. T is a weka instance. 
     529     */ 
     530    public class QuadTreePayload<T> { 
     531 
     532        public double x; 
     533        public double y; 
     534        private T inst; 
     535 
     536        public QuadTreePayload(double x, double y, T value) { 
     537            this.x = x; 
     538            this.y = y; 
     539            this.inst = value; 
     540        } 
     541 
     542        public T getInst() { 
     543            return this.inst; 
     544        } 
     545    } 
     546 
     547    /** 
     548     * Fastmap implementation 
     549     *  
     550     * Faloutsos, C., & Lin, K. I. (1995). FastMap: A fast algorithm for indexing, data-mining and 
     551     * visualization of traditional and multimedia datasets (Vol. 24, No. 2, pp. 163-174). ACM. 
     552     */ 
     553    public class Fastmap { 
     554 
     555        /* N x k Array, at the end, the i-th row will be the image of the i-th object */ 
     556        private double[][] X; 
     557 
     558        /* 2 x k pivot Array one pair per recursive call */ 
     559        private int[][] PA; 
     560 
     561        /* Objects we got (distance matrix) */ 
     562        private double[][] O; 
     563 
     564        /* column of X currently updated (also the dimension) */ 
     565        private int col = 0; 
     566 
     567        /* number of dimensions we want */ 
     568        private int target_dims = 0; 
     569 
     570        // if we already have the pivot elements 
     571        private boolean pivot_set = false; 
     572 
     573        public Fastmap(int k) { 
     574            this.target_dims = k; 
     575        } 
     576 
     577        /** 
     578         * Sets the distance matrix and params that depend on this 
     579         *  
     580         * @param O 
     581         */ 
     582        public void setDistmat(double[][] O) { 
     583            this.O = O; 
     584            int N = O.length; 
     585            this.X = new double[N][this.target_dims]; 
     586            this.PA = new int[2][this.target_dims]; 
     587        } 
     588 
     589        /** 
     590         * Set pivot elements, we need that to classify instances after the calculation is complete 
     591         * (because we then want to reuse only the pivot elements). 
     592         *  
     593         * @param pi 
     594         */ 
     595        public void setPivots(int[][] pi) { 
     596            this.pivot_set = true; 
     597            this.PA = pi; 
     598        } 
     599 
     600        /** 
     601         * Return the pivot elements that were chosen during the calculation 
     602         *  
     603         * @return 
     604         */ 
     605        public int[][] getPivots() { 
     606            return this.PA; 
     607        } 
     608 
     609        /** 
     610         * The distance function for euclidean distance 
     611         *  
     612         * Acts according to equation 4 of the fastmap paper 
     613         *  
     614         * @param x 
     615         *            x index of x image (if k==0 x object) 
     616         * @param y 
     617         *            y index of y image (if k==0 y object) 
     618         * @param kdimensionality 
     619         * @return distance 
     620         */ 
     621        private double dist(int x, int y, int k) { 
     622 
     623            // basis is object distance, we get this from our distance matrix 
     624            double tmp = this.O[x][y] * this.O[x][y]; 
     625 
     626            // decrease by projections 
     627            for (int i = 0; i < k; i++) { 
     628                double tmp2 = (this.X[x][i] - this.X[y][i]); 
     629                tmp -= tmp2 * tmp2; 
     630            } 
     631 
     632            return Math.abs(tmp); 
     633        } 
     634 
     635        /** 
     636         * Find the object farthest from the given index This method is a helper Method for 
     637         * findDistandObjects 
     638         *  
     639         * @param index 
     640         *            of the object 
     641         * @return index of the farthest object from the given index 
     642         */ 
     643        private int findFarthest(int index) { 
     644            double furthest = Double.MIN_VALUE; 
     645            int ret = 0; 
     646 
     647            for (int i = 0; i < O.length; i++) { 
     648                double dist = this.dist(i, index, this.col); 
     649                if (i != index && dist > furthest) { 
     650                    furthest = dist; 
     651                    ret = i; 
     652                } 
     653            } 
     654            return ret; 
     655        } 
     656 
     657        /** 
     658         * Finds the pivot objects 
     659         *  
     660         * This method is basically algorithm 1 of the fastmap paper. 
     661         *  
     662         * @return 2 indexes of the choosen pivot objects 
     663         */ 
     664        private int[] findDistantObjects() { 
     665            // 1. choose object randomly 
     666            Random r = new Random(); 
     667            int obj = r.nextInt(this.O.length); 
     668 
     669            // 2. find farthest object from randomly chosen object 
     670            int idx1 = this.findFarthest(obj); 
     671 
     672            // 3. find farthest object from previously farthest object 
     673            int idx2 = this.findFarthest(idx1); 
     674 
     675            return new int[] 
     676                { idx1, idx2 }; 
     677        } 
     678 
     679        /** 
     680         * Calculates the new k-vector values (projections) 
     681         *  
     682         * This is basically algorithm 2 of the fastmap paper. We just added the possibility to 
     683         * pre-set the pivot elements because we need to classify single instances after the 
     684         * computation is already done. 
     685         *  
     686         * @param dims 
     687         *            dimensionality 
     688         */ 
     689        public void calculate() { 
     690 
     691            for (int k = 0; k < this.target_dims; k++) { 
     692                // 2) choose pivot objects 
     693                if (!this.pivot_set) { 
     694                    int[] pivots = this.findDistantObjects(); 
     695 
     696                    // 3) record ids of pivot objects 
     697                    this.PA[0][this.col] = pivots[0]; 
     698                    this.PA[1][this.col] = pivots[1]; 
     699                } 
     700 
     701                // 4) inter object distances are zero (this.X is initialized with 0 so we just 
     702                // continue) 
     703                if (this.dist(this.PA[0][this.col], this.PA[1][this.col], this.col) == 0) { 
     704                    continue; 
     705                } 
     706 
     707                // 5) project the objects on the line between the pivots 
     708                double dxy = this.dist(this.PA[0][this.col], this.PA[1][this.col], this.col); 
     709                for (int i = 0; i < this.O.length; i++) { 
     710 
     711                    double dix = this.dist(i, this.PA[0][this.col], this.col); 
     712                    double diy = this.dist(i, this.PA[1][this.col], this.col); 
     713 
     714                    double tmp = (dix + dxy - diy) / (2 * Math.sqrt(dxy)); 
     715 
     716                    // save the projection 
     717                    this.X[i][this.col] = tmp; 
     718                } 
     719 
     720                this.col += 1; 
     721            } 
     722        } 
     723 
     724        /** 
     725         * returns the result matrix of the projections 
     726         *  
     727         * @return calculated result 
     728         */ 
     729        public double[][] getX() { 
     730            return this.X; 
     731        } 
     732    } 
    669733} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/training/WekaTraining.java

    r25 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.training; 
    216 
     
    1125/** 
    1226 * Programmatic WekaTraining 
    13  * 
    14  * first parameter is Trainer Name. 
    15  * second parameter is class name 
    1627 *  
    17  * all subsequent parameters are configuration params (for example for trees) 
    18  * Cross Validation params always come last and are prepended with -CVPARAM 
     28 * first parameter is Trainer Name. second parameter is class name 
     29 *  
     30 * all subsequent parameters are configuration params (for example for trees) Cross Validation 
     31 * params always come last and are prepended with -CVPARAM 
    1932 *  
    2033 * XML Configurations for Weka Classifiers: 
     34 *  
    2135 * <pre> 
    2236 * {@code 
     
    3044public class WekaTraining extends WekaBaseTraining implements ITrainingStrategy { 
    3145 
    32         @Override 
    33         public void apply(Instances traindata) { 
    34                 PrintStream errStr      = System.err; 
    35                 System.setErr(new PrintStream(new NullOutputStream())); 
    36                 try { 
    37                         if(classifier == null) { 
    38                                 Console.traceln(Level.WARNING, String.format("classifier null!")); 
    39                         } 
    40                         classifier.buildClassifier(traindata); 
    41                 } catch (Exception e) { 
    42                         throw new RuntimeException(e); 
    43                 } finally { 
    44                         System.setErr(errStr); 
    45                 } 
    46         } 
     46    @Override 
     47    public void apply(Instances traindata) { 
     48        PrintStream errStr = System.err; 
     49        System.setErr(new PrintStream(new NullOutputStream())); 
     50        try { 
     51            if (classifier == null) { 
     52                Console.traceln(Level.WARNING, String.format("classifier null!")); 
     53            } 
     54            classifier.buildClassifier(traindata); 
     55        } 
     56        catch (Exception e) { 
     57            throw new RuntimeException(e); 
     58        } 
     59        finally { 
     60            System.setErr(errStr); 
     61        } 
     62    } 
    4763} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/versions/AbstractVersionFilter.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.versions; 
    216 
     
    620/** 
    721 * Implements a skeletal {@link IVersionFilter}. 
     22 *  
    823 * @author Steffen Herbold 
    924 */ 
    1025public abstract class AbstractVersionFilter implements IVersionFilter { 
    1126 
    12         /** 
    13         * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(java.util.List) 
    14         */ 
    15         @Override 
    16         public int apply(List<SoftwareVersion> versions) { 
    17                 int removed = 0; 
    18                 for( final Iterator<SoftwareVersion> iter=versions.iterator() ; iter.hasNext() ; ) { 
    19                         SoftwareVersion version = iter.next(); 
    20                          
    21                         if( apply(version) ) { 
    22                                 iter.remove(); 
    23                                 removed++; 
    24                         } 
    25                 } 
    26                 return removed; 
    27         } 
     27    /** 
     28    * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(java.util.List) 
     29    */ 
     30    @Override 
     31    public int apply(List<SoftwareVersion> versions) { 
     32        int removed = 0; 
     33        for (final Iterator<SoftwareVersion> iter = versions.iterator(); iter.hasNext();) { 
     34            SoftwareVersion version = iter.next(); 
     35 
     36            if (apply(version)) { 
     37                iter.remove(); 
     38                removed++; 
     39            } 
     40        } 
     41        return removed; 
     42    } 
    2843} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/versions/IVersionFilter.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.versions; 
    216 
     
    620 
    721/** 
    8  * Implements the interface for a {@link SoftwareVersion} filter.  
     22 * Implements the interface for a {@link SoftwareVersion} filter. 
     23 *  
    924 * @author Steffen Herbold 
    1025 */ 
    1126public interface IVersionFilter extends IParameterizable { 
    1227 
    13         /** 
    14          * Applies the filter to a single version.  
    15          * @param version the version 
    16          * @return true if filter applies to version, false otherwise 
    17          */ 
    18         boolean apply(SoftwareVersion version); 
    19          
    20         /** 
    21          * Applies the filter a a list of versions. Versions were the filter applies are automatically removed from the list.  
    22          * @param versions list of versions 
    23          * @return number of removed versions 
    24          */ 
    25         int apply(List<SoftwareVersion> versions); 
     28    /** 
     29     * Applies the filter to a single version. 
     30     *  
     31     * @param version 
     32     *            the version 
     33     * @return true if filter applies to version, false otherwise 
     34     */ 
     35    boolean apply(SoftwareVersion version); 
     36 
     37    /** 
     38     * Applies the filter a a list of versions. Versions were the filter applies are automatically 
     39     * removed from the list. 
     40     *  
     41     * @param versions 
     42     *            list of versions 
     43     * @return number of removed versions 
     44     */ 
     45    int apply(List<SoftwareVersion> versions); 
    2646} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/versions/MaxInstanceNumberFilter.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.versions; 
    216 
    317/** 
    4  * Applies to large data sets. All data sets that have more than the required maximum number of instances are removed.  
     18 * Applies to large data sets. All data sets that have more than the required maximum number of 
     19 * instances are removed. 
     20 *  
    521 * @author Steffen Herbold 
    622 */ 
    723public class MaxInstanceNumberFilter extends AbstractVersionFilter { 
    824 
    9         /** 
    10          * maximum number of instances required 
    11          */ 
    12         private int maxInstances = 0; 
    13          
    14         /** 
    15          * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(de.ugoe.cs.cpdp.versions.SoftwareVersion) 
    16          */ 
    17         @Override 
    18         public boolean apply(SoftwareVersion version) { 
    19                 return version.getInstances().numInstances()>maxInstances; 
    20         } 
     25    /** 
     26     * maximum number of instances required 
     27     */ 
     28    private int maxInstances = 0; 
    2129 
    22         /** 
    23          * Sets the minimal number of instances. 
    24          * @param parameters number of instances 
    25          */ 
    26         @Override 
    27         public void setParameter(String parameters) { 
    28                 maxInstances = Integer.parseInt(parameters); 
    29         } 
     30    /** 
     31     * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(de.ugoe.cs.cpdp.versions.SoftwareVersion) 
     32     */ 
     33    @Override 
     34    public boolean apply(SoftwareVersion version) { 
     35        return version.getInstances().numInstances() > maxInstances; 
     36    } 
     37 
     38    /** 
     39     * Sets the minimal number of instances. 
     40     *  
     41     * @param parameters 
     42     *            number of instances 
     43     */ 
     44    @Override 
     45    public void setParameter(String parameters) { 
     46        maxInstances = Integer.parseInt(parameters); 
     47    } 
    3048 
    3149} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/versions/MinClassNumberFilter.java

    r26 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.versions; 
    216 
     
    418 
    519/** 
    6  * Applies to small data sets. All data sets that do not have the required minimal number of instances in each class (i.e., positive, negative) are removed.  
     20 * Applies to small data sets. All data sets that do not have the required minimal number of 
     21 * instances in each class (i.e., positive, negative) are removed. 
     22 *  
    723 * @author Steffen Herbold 
    824 */ 
    925public class MinClassNumberFilter extends AbstractVersionFilter { 
    1026 
    11         /** 
    12          * minimal number of instances required 
    13          */ 
    14         private int minInstances = 0; 
    15          
    16         /** 
    17          * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(de.ugoe.cs.cpdp.versions.SoftwareVersion) 
    18          */ 
    19         @Override 
    20         public boolean apply(SoftwareVersion version) { 
    21                 Instances instances = version.getInstances(); 
    22                 int[] counts = instances.attributeStats(instances.classIndex()).nominalCounts; 
    23                 boolean toSmall = false; 
    24                 for( int count : counts ) { 
    25                         toSmall |= count<minInstances; 
    26                 } 
    27                 return toSmall; 
    28         } 
     27    /** 
     28     * minimal number of instances required 
     29     */ 
     30    private int minInstances = 0; 
    2931 
    30         /** 
    31          * Sets the minimal number of instances for each class. 
    32          * @param parameters number of instances 
    33          */ 
    34         @Override 
    35         public void setParameter(String parameters) { 
    36                 minInstances = Integer.parseInt(parameters); 
    37         } 
     32    /** 
     33     * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(de.ugoe.cs.cpdp.versions.SoftwareVersion) 
     34     */ 
     35    @Override 
     36    public boolean apply(SoftwareVersion version) { 
     37        Instances instances = version.getInstances(); 
     38        int[] counts = instances.attributeStats(instances.classIndex()).nominalCounts; 
     39        boolean toSmall = false; 
     40        for (int count : counts) { 
     41            toSmall |= count < minInstances; 
     42        } 
     43        return toSmall; 
     44    } 
     45 
     46    /** 
     47     * Sets the minimal number of instances for each class. 
     48     *  
     49     * @param parameters 
     50     *            number of instances 
     51     */ 
     52    @Override 
     53    public void setParameter(String parameters) { 
     54        minInstances = Integer.parseInt(parameters); 
     55    } 
    3856 
    3957} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/versions/MinInstanceNumberFilter.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.versions; 
    216 
    317/** 
    4  * Applies to small data sets. All data sets that do not have the required minimal number of instances are removed.  
     18 * Applies to small data sets. All data sets that do not have the required minimal number of 
     19 * instances are removed. 
     20 *  
    521 * @author Steffen Herbold 
    622 */ 
    723public class MinInstanceNumberFilter extends AbstractVersionFilter { 
    824 
    9         /** 
    10          * minimal number of instances required 
    11          */ 
    12         private int minInstances = 0; 
    13          
    14         /** 
    15          * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(de.ugoe.cs.cpdp.versions.SoftwareVersion) 
    16          */ 
    17         @Override 
    18         public boolean apply(SoftwareVersion version) { 
    19                 return version.getInstances().numInstances()<minInstances; 
    20         } 
     25    /** 
     26     * minimal number of instances required 
     27     */ 
     28    private int minInstances = 0; 
    2129 
    22         /** 
    23          * Sets the minimal number of instances. 
    24          * @param parameters number of instances 
    25          */ 
    26         @Override 
    27         public void setParameter(String parameters) { 
    28                 minInstances = Integer.parseInt(parameters); 
    29         } 
     30    /** 
     31     * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(de.ugoe.cs.cpdp.versions.SoftwareVersion) 
     32     */ 
     33    @Override 
     34    public boolean apply(SoftwareVersion version) { 
     35        return version.getInstances().numInstances() < minInstances; 
     36    } 
     37 
     38    /** 
     39     * Sets the minimal number of instances. 
     40     *  
     41     * @param parameters 
     42     *            number of instances 
     43     */ 
     44    @Override 
     45    public void setParameter(String parameters) { 
     46        minInstances = Integer.parseInt(parameters); 
     47    } 
    3048 
    3149} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/versions/SoftwareVersion.java

    r27 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.versions; 
    216 
     
    418 
    519/** 
    6  * Data class for software versions.  
     20 * Data class for software versions. 
     21 *  
    722 * @author Steffen Herbold 
    823 */ 
    924public class SoftwareVersion implements Comparable<SoftwareVersion> { 
    1025 
    11         /** 
    12          * name of the project 
    13          */ 
    14         private final String project; 
    15          
    16         /** 
    17          * version of the project 
    18          */ 
    19         private final String version; 
     26    /** 
     27     * name of the project 
     28     */ 
     29    private final String project; 
    2030 
    21         /** 
    22          * data of the version 
    23          */ 
    24         private final Instances instances; 
    25          
    26         /** 
    27          * Constructor. Creates a new version.  
    28          * @param project name of the project 
    29          * @param version name of the version 
    30          * @param instances data of the version 
    31          */ 
    32         public SoftwareVersion(String project, String version, Instances instances) { 
    33                 this.project = project; 
    34                 this.version = version; 
    35                 this.instances = instances; 
    36         } 
    37          
    38         /** 
    39          * returns the project name 
    40          * @return project name 
    41          */ 
    42         public String getProject() { 
    43                 return project; 
    44         } 
    45          
    46         /** 
    47          * returns the name of the version 
    48          * @return name of the version 
    49          */ 
    50         public String getVersion() { 
    51                 return version; 
    52         } 
    53          
    54         /** 
    55          * returns the data of the version 
    56          * @return data 
    57          */ 
    58         public Instances getInstances() { 
    59                 return new Instances(instances); 
    60         } 
     31    /** 
     32     * version of the project 
     33     */ 
     34    private final String version; 
    6135 
    62         /**  
    63          * Compares first based on project name and then based on version. Only string comparisons are performed.  
    64          * @see java.lang.Comparable#compareTo(java.lang.Object) 
    65          */ 
    66         @Override 
    67         public int compareTo(SoftwareVersion o) { 
    68                 int projectStrCmp = 0; 
    69                 if( project!=null ) { 
    70                         projectStrCmp = project.compareTo(o.project); 
    71                 }  
    72                 if( projectStrCmp==0 && version!=null ) { 
    73                         return version.compareTo(o.version);                     
    74                 } else { 
    75                         return projectStrCmp; 
    76                 } 
    77         } 
     36    /** 
     37     * data of the version 
     38     */ 
     39    private final Instances instances; 
     40 
     41    /** 
     42     * Constructor. Creates a new version. 
     43     *  
     44     * @param project 
     45     *            name of the project 
     46     * @param version 
     47     *            name of the version 
     48     * @param instances 
     49     *            data of the version 
     50     */ 
     51    public SoftwareVersion(String project, String version, Instances instances) { 
     52        this.project = project; 
     53        this.version = version; 
     54        this.instances = instances; 
     55    } 
     56 
     57    /** 
     58     * returns the project name 
     59     *  
     60     * @return project name 
     61     */ 
     62    public String getProject() { 
     63        return project; 
     64    } 
     65 
     66    /** 
     67     * returns the name of the version 
     68     *  
     69     * @return name of the version 
     70     */ 
     71    public String getVersion() { 
     72        return version; 
     73    } 
     74 
     75    /** 
     76     * returns the data of the version 
     77     *  
     78     * @return data 
     79     */ 
     80    public Instances getInstances() { 
     81        return new Instances(instances); 
     82    } 
     83 
     84    /** 
     85     * Compares first based on project name and then based on version. Only string comparisons are 
     86     * performed. 
     87     *  
     88     * @see java.lang.Comparable#compareTo(java.lang.Object) 
     89     */ 
     90    @Override 
     91    public int compareTo(SoftwareVersion o) { 
     92        int projectStrCmp = 0; 
     93        if (project != null) { 
     94            projectStrCmp = project.compareTo(o.project); 
     95        } 
     96        if (projectStrCmp == 0 && version != null) { 
     97            return version.compareTo(o.version); 
     98        } 
     99        else { 
     100            return projectStrCmp; 
     101        } 
     102    } 
    78103} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/versions/UnbalancedFilter.java

    r2 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.versions; 
    216 
     
    418 
    519/** 
    6  * Removes unbalanced data sets in terms of classification. All data sets that are outside of the quantil defined 
    7  * by setParameter (default=0.1) are removed.  
     20 * Removes unbalanced data sets in terms of classification. All data sets that are outside of the 
     21 * quantil defined by setParameter (default=0.1) are removed. 
     22 *  
    823 * @author Steffen Herbold 
    924 */ 
    1025public class UnbalancedFilter extends AbstractVersionFilter { 
    1126 
    12         /** 
    13          * quantil where outside lying versions are removed 
    14          */ 
    15         private double quantil = 0.1; 
    16          
    17         /** 
    18          * Sets the quantil. 
    19          * @param parameters the quantil as string 
    20          */ 
    21         @Override 
    22         public void setParameter(String parameters) { 
    23                 quantil = Double.parseDouble(parameters); 
    24         } 
     27    /** 
     28     * quantil where outside lying versions are removed 
     29     */ 
     30    private double quantil = 0.1; 
    2531 
    26         /** 
    27          * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(de.ugoe.cs.cpdp.versions.SoftwareVersion) 
    28          */ 
    29         @Override 
    30         public boolean apply(SoftwareVersion version) { 
    31                 final Instances instances = version.getInstances(); 
    32                  
    33                 final int[] counts = instances.attributeStats(instances.classIndex()).nominalCounts; 
    34                 return ((double) counts[0])/instances.numInstances() >= (1-quantil) || 
    35                         ((double) counts[0])/instances.numInstances() <= (quantil); 
    36         } 
     32    /** 
     33     * Sets the quantil. 
     34     *  
     35     * @param parameters 
     36     *            the quantil as string 
     37     */ 
     38    @Override 
     39    public void setParameter(String parameters) { 
     40        quantil = Double.parseDouble(parameters); 
     41    } 
     42 
     43    /** 
     44     * @see de.ugoe.cs.cpdp.versions.IVersionFilter#apply(de.ugoe.cs.cpdp.versions.SoftwareVersion) 
     45     */ 
     46    @Override 
     47    public boolean apply(SoftwareVersion version) { 
     48        final Instances instances = version.getInstances(); 
     49 
     50        final int[] counts = instances.attributeStats(instances.classIndex()).nominalCounts; 
     51        return ((double) counts[0]) / instances.numInstances() >= (1 - quantil) || 
     52            ((double) counts[0]) / instances.numInstances() <= (quantil); 
     53    } 
    3754 
    3855} 
  • trunk/CrossPare/src/de/ugoe/cs/cpdp/wekaclassifier/FixClass.java

    r30 r41  
     1// Copyright 2015 Georg-August-Universität Göttingen, Germany 
     2// 
     3//   Licensed under the Apache License, Version 2.0 (the "License"); 
     4//   you may not use this file except in compliance with the License. 
     5//   You may obtain a copy of the License at 
     6// 
     7//       http://www.apache.org/licenses/LICENSE-2.0 
     8// 
     9//   Unless required by applicable law or agreed to in writing, software 
     10//   distributed under the License is distributed on an "AS IS" BASIS, 
     11//   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
     12//   See the License for the specific language governing permissions and 
     13//   limitations under the License. 
     14 
    115package de.ugoe.cs.cpdp.wekaclassifier; 
    2  
    316 
    417import weka.classifiers.AbstractClassifier; 
     
    1629public class FixClass extends AbstractClassifier { 
    1730 
    18         private static final long serialVersionUID = 1L; 
     31    private static final long serialVersionUID = 1L; 
    1932 
    20         private double fixedClassValue = 0.0d; 
     33    private double fixedClassValue = 0.0d; 
    2134 
    22         public FixClass() { 
    23                 // TODO Auto-generated constructor stub 
    24         } 
     35    public FixClass() { 
     36        // TODO Auto-generated constructor stub 
     37    } 
    2538 
    26         /** 
    27         * Returns default capabilities of the classifier. 
    28         *  
    29         * @return the capabilities of this classifier 
    30         */ 
    31         @Override 
    32         public Capabilities getCapabilities() { 
    33                 Capabilities result = super.getCapabilities(); 
    34                 result.disableAll(); 
     39    /** 
     40    * Returns default capabilities of the classifier. 
     41    *  
     42    * @return the capabilities of this classifier 
     43    */ 
     44    @Override 
     45    public Capabilities getCapabilities() { 
     46        Capabilities result = super.getCapabilities(); 
     47        result.disableAll(); 
    3548 
    36                 // attributes 
    37                 result.enable(Capability.NOMINAL_ATTRIBUTES); 
    38                 result.enable(Capability.NUMERIC_ATTRIBUTES); 
    39                 result.enable(Capability.DATE_ATTRIBUTES); 
    40                 result.enable(Capability.STRING_ATTRIBUTES); 
    41                 result.enable(Capability.RELATIONAL_ATTRIBUTES); 
    42                 result.enable(Capability.MISSING_VALUES); 
     49        // attributes 
     50        result.enable(Capability.NOMINAL_ATTRIBUTES); 
     51        result.enable(Capability.NUMERIC_ATTRIBUTES); 
     52        result.enable(Capability.DATE_ATTRIBUTES); 
     53        result.enable(Capability.STRING_ATTRIBUTES); 
     54        result.enable(Capability.RELATIONAL_ATTRIBUTES); 
     55        result.enable(Capability.MISSING_VALUES); 
    4356 
    44                 // class 
    45                 result.enable(Capability.NOMINAL_CLASS); 
    46                 result.enable(Capability.NUMERIC_CLASS); 
    47                 result.enable(Capability.MISSING_CLASS_VALUES); 
     57        // class 
     58        result.enable(Capability.NOMINAL_CLASS); 
     59        result.enable(Capability.NUMERIC_CLASS); 
     60        result.enable(Capability.MISSING_CLASS_VALUES); 
    4861 
    49                 // instances 
    50                 result.setMinimumNumberInstances(0); 
     62        // instances 
     63        result.setMinimumNumberInstances(0); 
    5164 
    52                 return result; 
    53         } 
     65        return result; 
     66    } 
    5467 
    55         @Override 
    56         public void setOptions(String[] options) throws Exception { 
    57                 fixedClassValue = Double.parseDouble(Utils.getOption('C', options)); 
    58         } 
     68    @Override 
     69    public void setOptions(String[] options) throws Exception { 
     70        fixedClassValue = Double.parseDouble(Utils.getOption('C', options)); 
     71    } 
    5972 
    60         @Override 
    61         public double classifyInstance(Instance instance) { 
    62                 return fixedClassValue; 
    63         } 
     73    @Override 
     74    public double classifyInstance(Instance instance) { 
     75        return fixedClassValue; 
     76    } 
    6477 
    65         @Override 
    66         public void buildClassifier(Instances traindata) throws Exception { 
    67                 // do nothing 
    68         } 
     78    @Override 
     79    public void buildClassifier(Instances traindata) throws Exception { 
     80        // do nothing 
     81    } 
    6982} 
Note: See TracChangeset for help on using the changeset viewer.