-
Notifications
You must be signed in to change notification settings - Fork 1
/
tests.py
369 lines (293 loc) · 15.1 KB
/
tests.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
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.linear_model import LogisticRegression
from sklearn.svm import LinearSVC
from sklearn.metrics import accuracy_score, precision_recall_curve, roc_curve, f1_score, auc, classification_report , make_scorer
from sklearn.model_selection import cross_val_score
from scipy.ndimage import gaussian_filter
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from datas import *
import warnings
warnings.filterwarnings("ignore")
#####################################################################################
def create_train_test_data(df_preprocessed, type_vectorizer=TfidfVectorizer, binary=False, ngrams=(1,2)):
"""Effectue un train test split des données
Args:
df_preprocessed (dataframe): dataframe des documents prétraités
type_vectorizer (sklearn.vectorizer, optional): le type de vectorizer
binary (bool, optional): Si on doit utiliser un BoW binaire ou non (possible uniquement avec CountVectorizer)
ngrams (tuple, optional): la portée des n-grams
Returns:
Bags of Words des exemples et les labels, pour tout le dataset et les ensembles de train et test
"""
if(not binary):
vectorizer = type_vectorizer(ngram_range=ngrams)
else :
vectorizer = type_vectorizer(ngram_range=ngrams,binary=True)
X = vectorizer.fit_transform(df_preprocessed.text)
Y = df_preprocessed.iloc[:,-1]
rs=10
[X_train, X_test, y_train, y_test] = train_test_split(X, Y, test_size=0.2, random_state=rs, shuffle=True)
return X, Y, X_train, X_test, y_train, y_test
def f1_score_class_0(y_true, y_pred):
return f1_score(y_true, y_pred, average=None)[0]
#####################################################################################
def tester_nb(X, Y, X_train, y_train, X_test, y_test, metric="classification_report"):
"""Entraîne et teste un modèle naive bayes, et retourne le score de la métrique donnée
Args:
X (scipy sparse matrix): Bag of Words de tout le dataset
Y (liste): liste de tous les labels du dataset
X_train (scipy sparse matrix): BoW de la partie train
y_train (liste): liste des labels de la partie train
X_test (scipy sparse matrix): BoW de la partie test
y_test (liste): liste des labels de la partie test
metric (str, optional): métrique d'évaluation. Defaults to "classification_report".
Returns:
float ou None: Score de la métrique demandée, ou imprime le rapport de classification
"""
nb_clf = MultinomialNB()
nb_clf.fit(X_train, y_train)
pred_nb = nb_clf.predict(X_test)
resultat_metrique = None
if metric=="classification_report":
print(classification_report(y_test, pred_nb, target_names=['Classe négative', 'Classe positive']))
elif metric=="accuracy":
acc=accuracy_score(y_test, pred_nb)
print("Accuracy score = ",acc)
resultat_metrique=acc
elif metric=="f1":
f1=f1_score(y_test, pred_nb, average=None) # average=None et f1[0] pour selectionner la classe de mitterand
print("F1 score classe négative = ",f1[0])
print("F1 score classe positive = ",f1[1])
resultat_metrique=f1[0]
elif metric=="cross_val_score_movies":
scores = cross_val_score( nb_clf, X, Y, cv=5)
print("score cross validation: ", scores.mean())
resultat_metrique=scores.mean()
elif metric=="cross_val_score_president":
scorer = make_scorer(f1_score_class_0)
scores = cross_val_score( nb_clf, X, Y, cv=5, scoring=scorer)
print("score cross validation: ", scores.mean())
resultat_metrique=scores.mean()
print()
return resultat_metrique
def tester_lr(X, Y, X_train, y_train, X_test, y_test, class_weight=None, nmax_iter=1000, tracer_courbes = False, metric="classification_report"):
"""Entraîne et teste un modèle de régression logistique, et retourne le score de la métrique donnée
Args:
X (scipy sparse matrix): Bag of Words de tout le dataset
Y (liste): liste de tous les labels du dataset
X_train (scipy sparse matrix): BoW de la partie train
y_train (liste): liste des labels de la partie train
X_test (scipy sparse matrix): BoW de la partie test
y_test (liste): liste des labels de la partie test
nmax_iter (int): nombre d'itérations max
metric (str, optional): métrique d'évaluation.
Returns:
float ou None: Score de la métrique demandée, ou imprime le rapport de classification
"""
t = 1e-8
C=100.0
lr_clf = LogisticRegression(random_state=0, solver='liblinear', class_weight=class_weight , max_iter=nmax_iter, tol=t, C=C)
lr_clf.fit(X_train, y_train)
pred_lr = lr_clf.predict(X_test)
if tracer_courbes == True:
y_probs = lr_clf.predict_proba(X_test)[:, 1]
tracer_courbe_roc(y_test, y_probs)
tracer_courbe_rappel_precision(y_test, y_probs)
resultat_metrique = None
if(metric=="classification_report"):
print(classification_report(y_test, pred_lr, target_names=['Classe négative', 'Classe positive']))
elif(metric=="accuracy"):
acc=accuracy_score(y_test, pred_lr)
print("Accuracy score = ",acc)
resultat_metrique=acc
elif(metric=="f1"):
f1=f1_score(y_test, pred_lr, average=None) # average=None et f1[0] pour selectionner la classe de mitterand
print("F1 score classe négative = ",f1[0])
print("F1 score classe positive = ",f1[1])
resultat_metrique=f1[0]
elif metric=="cross_val_score_movies":
scores = cross_val_score( lr_clf, X, Y, cv=5)
print("score cross validation: ", scores.mean())
resultat_metrique=scores.mean()
elif metric=="cross_val_score_president":
scorer = make_scorer(f1_score_class_0)
scores = cross_val_score( lr_clf, X, Y, cv=5, scoring=scorer)
print("score cross validation: ", scores.mean())
resultat_metrique=scores.mean()
print()
return resultat_metrique
def tester_svm(X, Y, X_train, y_train, X_test, y_test, class_weight=None, nmax_iter=1000, tracer_courbes=False, metric="classification_report"):
"""Entraîne et teste un modèle de SVC linéaire, et retourne le score de la métrique donnée
Args:
X (scipy sparse matrix): Bag of Words de tout le dataset
Y (liste): liste de tous les labels du dataset
X_train (scipy sparse matrix): BoW de la partie train
y_train (liste): liste des labels de la partie train
X_test (scipy sparse matrix): BoW de la partie test
y_test (liste): liste des labels de la partie test
nmax_iter (int): nombre d'itérations max
metric (str, optional): métrique d'évaluation.
Returns:
float ou None: Score de la métrique demandée, ou imprime le rapport de classification
"""
svm_clf = LinearSVC(random_state=0, class_weight=class_weight, max_iter=nmax_iter)
svm_clf.fit(X_train, y_train)
pred_svm = svm_clf.predict(X_test)
resultat_metrique = None
if(metric=="classification_report"):
print(classification_report(y_test, pred_svm, target_names=['Classe négative', 'Classe positive']))
elif(metric=="accuracy"):
acc=accuracy_score(y_test, pred_svm)
print("Accuracy score = ",acc)
resultat_metrique=acc
elif(metric=="f1"):
f1=f1_score(y_test, pred_svm, average=None) # average=None et f1[0] pour selectionner la classe de mitterand
print("F1 score classe négative = ",f1[0])
print("F1 score classe positive = ",f1[1])
resultat_metrique=f1[0]
elif metric=="cross_val_score_movies":
scores = cross_val_score( svm_clf, X, Y, cv=5)
print("score cross validation: ", scores.mean())
resultat_metrique=scores.mean()
elif metric=="cross_val_score_president":
scorer = make_scorer(f1_score_class_0)
scores = cross_val_score( svm_clf, X, Y, cv=5, scoring=scorer)
print("score cross validation: ", scores.mean())
resultat_metrique=scores.mean()
if tracer_courbes == True:
y_scores = svm_clf.decision_function(X_test)
tracer_courbe_roc(y_test, y_scores)
tracer_courbe_rappel_precision(y_test, y_scores)
return resultat_metrique
#####################################################################################
def tester_models(X, Y, X_train, y_train, X_test, y_test, nmax_iter=1000, metric="classification_report"):
"""Execute la fonction de test de chaque modèle
Args:
X (scipy sparse matrix): Bag of Words de tout le dataset
Y (liste): liste de tous les labels du dataset
X_train (scipy sparse matrix): BoW de la partie train
y_train (liste): liste des labels de la partie train
X_test (scipy sparse matrix): BoW de la partie test
y_test (liste): liste des labels de la partie test
nmax_iter (int, optional): nombre d'itérations max
metric (str, optional): métrique d'évaluation.
Returns:
tuple (float ou None) : Résultat du test de chaque modèle
"""
print('---- Naive Bayes ----')
resultat_metrique_nb=tester_nb(X, Y, X_train, y_train, X_test, y_test, metric=metric)
print('---- Logistic regression ---- ')
resultat_metrique_lr=tester_lr(X, Y, X_train, y_train, X_test, y_test, nmax_iter=nmax_iter, metric=metric)
print('---- SVC ---- ')
resultat_metrique_svc=tester_svm(X, Y, X_train, y_train, X_test, y_test, nmax_iter=nmax_iter,metric=metric)
return resultat_metrique_nb, resultat_metrique_lr, resultat_metrique_svc
def tester(df_preprocessed, etape=1, *args):
"""Divise le dataset en train et test et test effectue une étape de test
Args:
df_preprocessed (dataframe): dataframe des documents prétraités
etape (int, optional): l'étape de sélection des paramètres et modèles.
etape 1: Tester tous les modèles et toutes les variantes bag of words
(On l'effectue deux fois, selon le niveau de suppression des stopwords)
etape 2: Tester tous les modèles sur la variante BoW pour déterminer les
meilleurs paramètres de la variante et le meilleur modèle de machine learning
Returns:
data: Dataframe des résultats des tests
"""
if(etape==1):
#BOW
print("******************** BOW ********************")
X, Y, X_train, X_test, y_train, y_test = create_train_test_data(df_preprocessed, type_vectorizer=CountVectorizer)
tester_models(X, Y, X_train, y_train, X_test, y_test, nmax_iter=1000)
#BOW binaire
print("******************** BOW binaire ********************")
X, Y, X_train, X_test, y_train, y_test =create_train_test_data(df_preprocessed, type_vectorizer=CountVectorizer, binary=True)
tester_models(X, Y, X_train, y_train, X_test, y_test, nmax_iter=1000)
#TF-IDF
print("******************** TF-IDF ********************")
X, Y, X_train, X_test, y_train, y_test =create_train_test_data(df_preprocessed, type_vectorizer=TfidfVectorizer)
tester_models(X, Y, X_train, y_train, X_test, y_test, nmax_iter=1000)
elif(etape==2):
# *args doit etre sous la forme [dataset (movies ou president), metric (accuracy, cross_val_score_nomDataset, classification_report)]
dataset = args[0]
metric=args[1]
if(dataset=="movies"):
params = { 'list_max_df':[0.7, 0.75, 0.8, 0.85],
'list_min_df':[2,3,4,5,6],
'ngram_range':[(1,2),(1,3)]
}
else :
params = { 'list_max_df':[0.6,0.7, 0.75],
'list_min_df':[2,5,7,10],
'ngram_range':[(1,2),(1,3),(1,4)]
}
data = {
'max_df': [],
'min_df': [],
'ngram_range': [],
'Naive Bayes': [],
'Logistic Regression': [],
'SVC': []
}
for max_df in params.get('list_max_df'):
for min_df in params.get("list_min_df"):
for ngram in params.get('ngram_range'):
print()
print("max_df",max_df, "min_df=",min_df, "ngram_range=",ngram)
print("________________________________________________________")
if(dataset=="movies"):
vectorizer = CountVectorizer(max_df=max_df, min_df=min_df, ngram_range=ngram, binary=True)
else:
vectorizer = CountVectorizer(max_df=max_df, min_df=min_df, ngram_range=ngram, binary=False)
X = vectorizer.fit_transform(df_preprocessed.text)
Y = df_preprocessed.iloc[:,-1]
rs=10
[X_train, X_test, y_train, y_test] = train_test_split(X, Y, test_size=0.2, random_state=rs, shuffle=True)
resultat_metrique_nb, resultat_metrique_lr, resultat_metrique_svc=tester_models(X, Y, X_train, y_train, X_test, y_test, nmax_iter=1000, metric=metric)
data['max_df'].append(max_df)
data['min_df'].append(min_df)
data['ngram_range'].append(ngram)
data["Naive Bayes"].append(resultat_metrique_nb)
data['Logistic Regression'].append(resultat_metrique_lr)
data['SVC'].append(resultat_metrique_svc)
return pd.DataFrame(data)
#####################################################################################
def tracer_courbe_roc(y_test, y_probs):
fpr, tpr, thresholds = roc_curve(y_test, y_probs)
roc_auc = auc(fpr, tpr)
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, color='blue', lw=2, label='ROC curve (AUC = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='gray', linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC)')
plt.legend(loc="lower right")
plt.show()
def tracer_courbe_rappel_precision(y_test, y_probs):
precision, recall, thresholds = precision_recall_curve(y_test, y_probs)
pr_auc = auc(recall, precision)
plt.figure(figsize=(8, 6))
plt.plot(recall, precision, color='blue', lw=2, label='PR curve (AUC = %0.2f)' % pr_auc)
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('Precision-Recall Curve')
plt.legend(loc="lower left")
plt.grid(True)
plt.show()
#####################################################################################
def gaussian_smoothing(pred, size):
"""Applique un lissage gaussien sur les probabilités
Args:
pred (ndarray): Prédictions de la classe
size (float): taille du filtre gaussien
Returns:
ndarray: prédictions lissées
"""
smoothed_pred = gaussian_filter(pred, sigma=size)
return smoothed_pred