-
Notifications
You must be signed in to change notification settings - Fork 0
/
rodar_machine_learning_classifier.py
273 lines (209 loc) · 10.5 KB
/
rodar_machine_learning_classifier.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import models
from models import ml_functions_classifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.neural_network import MLPClassifier
from sklearn.linear_model import SGDClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC, NuSVC
from sklearn.tree import DecisionTreeClassifier
import os
import datetime
import time
from rich import pretty, print
from models import visualizar_dados
os.system("cls")
pretty.install()
def iniciar_contagem():
start = time.time()
now = datetime.datetime.now()
now = now.strftime("%d/%m/%Y - %H:%M:%S")
print(f'___________________________\nInício: {now}\n')
return start
def tempo_decorrido(start, ciclo_atual, ciclos_totais,harmonico):
elapsed_time = time.time() - start
# Evita divisão por zero
if ciclo_atual > 0:
tempo_estimado = elapsed_time*((ciclos_totais/ciclo_atual)-1)
else:
tempo_estimado = 0
print(f'\nHarmônico: {harmonico}\nAndamento Total: {np.round(100*ciclo_atual/ciclos_totais,2)}%')
print("Tempo decorrido: {:02}:{:02}:{:02}".format(int(elapsed_time // 3600), int(elapsed_time % 3600 // 60), int(elapsed_time % 60)))
print("Tempo Estimado até o Fim: {:02}:{:02}:{:02}\n\n".format(int(tempo_estimado // 3600), int(tempo_estimado % 3600 // 60), int(tempo_estimado % 60)))
harmonico_inicial = 1
harmonico_final = 10
# Nome dos dados normalizados
dados_normalizados = 'Dados_Normalizados.csv'
# Criação de dicionários para comparação de acurácias entre as harmonicos
score_RandomForest = {}
score_KNN = {}
score_DecisionTree = {}
score_rede = {}
indicadores = []
redes = [
(128,),
(256,),
(128,128),
(64,128,64),
(256,128,64),
(64,128,256),
(64,128,128,64),
(128,128,128),
(128,256,128),
(128,256,256,128),
(256,512,256)
# (512,1024,1024,512)
]
ciclos_totais = (len(redes)+3)*(harmonico_final-harmonico_inicial+1)
ciclo_atual = 0
colunas = models.colunas_pot
# colunas = [
# 'rotacao_hz',
# 'maximo',
# 'rms',
# 'assimetria',
# 'curtose',
# 'fator_crista',
# 'sensor',
# 'defeito']
start = iniciar_contagem()
# Loop percorrendo 10 harmonicos
for harmonico in range(harmonico_final+1)[harmonico_inicial:harmonico_final+1]:
arquivo = f'{models.path_dados_tratados}/harmonicos_{harmonico}/{dados_normalizados}'
df = pd.read_csv(arquivo, header=0)
df = df[colunas]
# Dicionário para comparar acurácia entre os métodos
score = {}
# Loop para percorrer e executar o aprendizado das redes neurais artificiais
for rede in redes:
legenda_rede = f'Camadas Ocultas da rede {rede}'
# Instanciando o classificador
classifier = ml_functions_classifier.Classifier(data = df,colunas=colunas ,classifier=MLPClassifier,harmonico=harmonico,test_size=0.2,
rede_oculta=f' - {rede}',
hidden_layer_sizes=rede,
activation='relu',
solver='adam',
alpha=0.0001,
batch_size='auto',
learning_rate='constant',
learning_rate_init=0.01,
power_t=0.5,
max_iter=500,
shuffle=True,
random_state=models.seed,
tol=0.0001,
verbose=False,
warm_start=False,
momentum=0.9,
nesterovs_momentum=True,
early_stopping=False,
validation_fraction=0.1,
beta_1=0.9,
beta_2=0.999,
epsilon=1e-08,
n_iter_no_change=10,
max_fun=15000)
# Realizando a classificação
classifier.run()
ind = {'harmonico':harmonico,
'metodo': classifier.metodo,
'Acuracia':classifier.acuracia,
'Precisao':classifier.precisao,
'F1_SCORE':classifier.f1}
indicadores.append(ind)
# Guardando o valor da acurácia no dicionário score
score[f'{classifier.classifier.__class__.__name__} - {rede}'] = round(classifier.score * 100,2)
# Guardando o valor da acurácia no dicionário referente ao classificador
score_rede[f'{harmonico} harmonicos - {rede}'] = round(classifier.score * 100,2)
# Salvando a matriz de confusão
visualizar_dados.MatrizConfusao(classifier,
method_name = f'{classifier.classifier.__class__.__name__} - {harmonico} harmonicos',
harmonico=harmonico,
legenda_rede=legenda_rede).plot_confusion_matrix(plotar=False, salvar=True)
ciclo_atual+=1
tempo_decorrido(start,ciclo_atual,ciclos_totais,harmonico)
# breakpoint()
# Início do aprendizado de máquina de outros classificadores
# # Instanciando o classificador
classifier = ml_functions_classifier.Classifier(data = df, colunas=colunas, classifier=RandomForestClassifier, random_state = models.seed,harmonico=harmonico)
# Realizando a classificação
classifier.run()
ind = {'harmonico':harmonico,
'metodo': classifier.metodo,
'Acuracia':classifier.acuracia,
'Precisao':classifier.precisao,
'F1_SCORE':classifier.f1}
indicadores.append(ind)
# Guardando o valor da acurácia no dicionário score
score[f'{classifier.classifier.__class__.__name__}'] = round(classifier.score * 100,2)
# Guardando o valor da acurácia no dicionário referente ao classificador
score_RandomForest[f'{harmonico} harmonicos'] = round(classifier.score * 100,2)
# Salvando a matriz de confusão
visualizar_dados.MatrizConfusao(classifier, method_name = f'{classifier.classifier.__class__.__name__} - {harmonico} harmonicos', harmonico=harmonico).plot_confusion_matrix(plotar=False, salvar=True)
ciclo_atual+=1
tempo_decorrido(start,ciclo_atual,ciclos_totais,harmonico)
# Instanciando o classificador
classifier = ml_functions_classifier.Classifier(data = df, colunas=colunas, classifier=KNeighborsClassifier,harmonico=harmonico,n_neighbors=1)
# Realizando a classificação
classifier.run()
ind = {'harmonico':harmonico,
'metodo': classifier.metodo,
'Acuracia':classifier.acuracia,
'Precisao':classifier.precisao,
'F1_SCORE':classifier.f1}
indicadores.append(ind)
# Guardando o valor da acurácia no dicionário score
score[f'{classifier.classifier.__class__.__name__}'] = round(classifier.score * 100,2)
# Guardando o valor da acurácia no dicionário referente ao classificador
score_KNN[f'{harmonico} harmonicos'] = round(classifier.score * 100,2)
# Salvando a matriz de confusão
visualizar_dados.MatrizConfusao(classifier, method_name = f'{classifier.classifier.__class__.__name__} - {harmonico} harmonicos', harmonico=harmonico).plot_confusion_matrix(plotar=False, salvar=True)
ciclo_atual+=1
tempo_decorrido(start,ciclo_atual,ciclos_totais,harmonico)
# # Instanciando o classificador
classifier = ml_functions_classifier.Classifier(data = df, colunas=colunas, classifier=DecisionTreeClassifier, criterion = 'entropy',harmonico=harmonico)
# Realizando a classificação
classifier.run()
ind = {'harmonico':harmonico,
'metodo': classifier.metodo,
'Acuracia':classifier.acuracia,
'Precisao':classifier.precisao,
'F1_SCORE':classifier.f1}
indicadores.append(ind)
# Guardando o valor da acurácia no dicionário score
score[f'{classifier.classifier.__class__.__name__}'] = round(classifier.score * 100,2)
# Guardando o valor da acurácia no dicionário referente ao classificador
score_DecisionTree[f'{harmonico} harmonicos'] = round(classifier.score * 100,2)
# Salvando a matriz de confusão
visualizar_dados.MatrizConfusao(classifier, method_name = f'{classifier.classifier.__class__.__name__} - {harmonico} harmonicos', harmonico=harmonico).plot_confusion_matrix(plotar=False, salvar=True)
ciclo_atual+=1
tempo_decorrido(start,ciclo_atual,ciclos_totais,harmonico)
# Plotando o gráfico de barras comparando a acurácia
visualizar_dados.ComparacaoDeAcuracias().plot_score(harmonico,score)
# Zerando o score para limpar a memória
score = 0
score = {}
print(f'Harmônico {harmonico} finalizado!\n\n')
# Salvando o gráfico de barras comparando a acurácia de diferentes harmonicos
visualizar_dados.ComparacaoDeAcuracias().plot_harmonicos('Comparação de Acurácia - Random Forest Classifier',score_RandomForest,
plotar=False,
salvar=True)
visualizar_dados.ComparacaoDeAcuracias().plot_harmonicos('Comparação de Acurácia - KNeighbours Classfier',score_KNN,
plotar=False,
salvar=True)
visualizar_dados.ComparacaoDeAcuracias().plot_harmonicos('Comparação de Acurácia - Decision Tree Classifier',score_DecisionTree,
plotar=False,
salvar=True)
for rede in redes:
dicionario_filtrado = {chave: valor for chave, valor in score_rede.items() if f'{rede}' in chave}
visualizar_dados.ComparacaoDeAcuracias().plot_harmonicos(f'Comparação de Acurácia - Rede Neural {rede}',dicionario_filtrado,
plotar=False,
salvar=True)
indicadores = pd.json_normalize(indicadores)
indicadores.to_csv(f'{models.path_dados_tratados}/Indicadores_Regressor.xls')
breakpoint()