Project uploaded

.gitignore

@@ -0,0 +1 @@
+.Rhistory

AlVot_heart.R

@@ -0,0 +1,279 @@
+setwd("~/Maestria/Patrones/Proyecto")
+
+library(mltools)
+library(caret)
+library(rje)
+
+#///////////////////Tratamiento/////////////////////////////////////////////////////
+
+# <- read.csv("~/Maestria/Patrones/Proyecto/Datasets/crx.data", header=FALSE, na.strings="?")
+data <- read.csv("~/Maestria/Patrones/Proyecto/Datasets/heart.csv")
+
+set.seed(31) #73
+
+clase <- data[,14]
+data <- data[,-14]
+data <- data[,c(2,3,6,7,9,11,12,13)] #categ = 2,3,6,7,9,11,12,13
+
+#Para clases de heart:
+for (i in 1:nrow(data))
+{
+  if(clase[i] == 0)
+    clase[i] <- 1
+  else
+    clase[i] <- 2
+}
+
+#Con data frame/////////////////////
+
+#data_n <- data.frame(data)
+
+
+#for(i in 1:5)
+#{
+#  if(i == 5)
+#    i <- 9
+#  data_n[,i] <- as.character(data[,i])
+#}
+
+#//////////////////////////////////
+
+#Para clases de heart:
+#for (i in 1:nrow(data))
+#{
+#  if(data[i,ncol(data)] == 0)
+#    data[i,ncol(data)] <- 1
+#  else
+#    data[i,ncol(data)] <- 2
+#}
+
+head(data)
+#/////////////////////Parametros////////////////////////////////////////////////////
+
+clases_vect <- c(1,2) #Para zoo: 1 - 7; para heart 1, 2
+
+#////////////////////////////Parametros constantes//////////////////////////////////
+
+cv <- 10
+porcent <- 0.95
+umb <- 0.27
+
+cp_i <- 5 #numero de atributos inferior
+cp_s <- 5 #numero de atributos superior
+
+n_clases <- length(clases_vect)
+
+#////////////////////////////////////Normalizacion/////////////////////////////////
+
+#data <- as.data.frame(data)
+#norma <- function(x) {(x - min(x))/(max(x) - min(x))}
+#data_n[c(5,6,7,8,10)] <- lapply(data[c(5,6,7,8,10)], norma) #Normalizar numericos: data[c(1,4,5,8,10,12)] <- lapply(data[c(1,4,5,8,10)], norma)
+
+for(i in 1:nrow(data))
+{
+  for (j in 1:5) #5:10
+  {
+    #if (j == 5 || j == 7 || j == 8 || j == 10)
+    #{
+    maxi <- max(data[,j])
+    mini <- min(data[,j])
+    data[i,j] <- (data[i,j] - mini)/(maxi - mini)
+    #}
+  }
+}
+
+#summary(data)
+#clase_col <- clase
+
+
+rm(maxi)
+rm(mini)
+#////////////////////////////////////One hot encoding///////////////////////////////
+
+data <- as.data.frame(data)
+
+columnas_categ <- c(2,3,4,6,7,8) # Para zoo: 13, para heart: 2, 3, 6, 7, 9, 11, 12, 13
+data[columnas_categ] <- lapply(data[columnas_categ], factor)
+dmy <- dummyVars(" ~ .", data = data)
+data <- data.frame(predict(dmy, newdata = data))
+
+data <- as.matrix(data)
+
+rm(dmy)
+rm(columnas_categ)
+
+#//////////////////Crossvalidation//////////////////////////////////////////////////
+
+cross_valid_res <- matrix(nrow = cv, ncol = 1)
+matrices_conf <- list()
+
+train_size <- round(porcent*nrow(data))
+test_size <- round((1-porcent)*nrow(data))
+obj_n_size <- nrow(data) - round(porcent*nrow(data))
+
+for (m in 1:cv)
+{
+  rand <- sample(1:nrow(data), round(porcent*nrow(data)))
+
+  data_train <- data[rand,] #data_norm_oh para one hot; data para usarlos sin trans
+  data_test <- data[-rand,] #data_norm_oh
+
+  data_target_train <- clase[rand] #General: data[rand, clase_col]
+  data_target_test <- clase[-rand] #General: data[-rand, clase_col]
+
+  #//////////////////Sistema de conjuntos de apoyo/////////////////////////////////////
+
+  ps <- powerSet(1:ncol(data), m = cp_s) #atributos! general: clase_col
+  sis_c_a <- list()
+  obj_n <- list()
+
+  i <- 1
+  j <- 1
+
+  while (i<=length(ps))
+  {
+    if(length(ps[[i]]) >= cp_i)#>=
+    {
+      sis_c_a[[j]] <- data_train[,c(ps[[i]])]
+      obj_n[[j]] <- data_test[,c(ps[[i]])]
+      j <- j + 1
+    }
+    i <- i + 1
+  }
+  length(obj_n)
+  #for para toda la prueba!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
+
+  clasificacion <- matrix(0, nrow = obj_n_size, ncol = 1)
+
+  #Funcion de semejanza
+
+  #Para heart: (abs(sis_c_a[[j]][[l]][i] - obj_n[[j]][[l]][k]) <= umb) 
+  #Para zoo: (sis_c_a[[j]][[l]][i] == obj_n[[j]][[l]][k])
+
+  for (k in 1:obj_n_size) #obj_n_size
+  {
+    semej <- matrix(nrow = train_size, ncol = length(sis_c_a)) #MA
+
+    for (i in 1:train_size)
+    {
+      for (j in 1:length(sis_c_a))
+      {
+        s <- 0
+        for(l in 1:as.numeric(length(sis_c_a[[j]])/train_size))
+        {
+          if (  typeof(sis_c_a[[j]][[i,l]]) == "character" && typeof(obj_n[[j]][[k,l]]) == "character")
+          {
+            if ((sis_c_a[[j]][[i,l]] == obj_n[[j]][[k,l]])) #Funcion de semejanza ATENCION
+              s <- s + 1
+          }
+          else
+          {
+            if ((abs(sis_c_a[[j]][[i,l]] - obj_n[[j]][[k,l]]) <= umb)) 
+              s <- s + 1
+          }
+
+        }
+        if(s == (length(obj_n[[j]])/test_size))
+          semej[i,j] <- 1 #pesos Función de evaluación parcial!!
+        else
+          semej[i,j] <- 0 #pesos
+      }
+    }
+    #}  
+    #Evaluacion por clase dado un conjunto de apoyo fijo:
+    suma <- matrix(0, nrow = n_clases, ncol = 1)
+
+    semej_red <- matrix(nrow = n_clases, ncol = length(sis_c_a))
+
+    for (i in 1:length(sis_c_a))
+    {
+      for (j in 1:train_size)
+      {
+        for (l in 1:n_clases)
+        {
+          if(data_target_train[j] == clases_vect[l])
+          {
+            suma[l] <- suma[l] + semej[j,i]
+          }
+        }
+
+      }
+
+      for (j in 1:n_clases)
+      {
+        semej_red[j,i] <- suma[j]/n_clases
+      }
+    }
+
+    #Evaluación por clase para todo el sistema de conjuntos de apoyo
+
+    clases <- matrix(0, nrow = n_clases, ncol = 1)
+
+    for (i in 1:length(sis_c_a))
+    {
+      for (j in 1:n_clases)
+      {
+        clases[j,1] <- clases[j,1] + semej_red[j,i]
+      }
+
+    }
+
+
+    #Regla de decision
+    maxi <- 0
+
+    for (i in 1:n_clases)
+    {
+      if (clases[i,1] > maxi)
+      {
+        maxi <- clases[i,1]
+        c <- i # menos uno para heart desease!! ATENCION
+      }
+      else-if (clases[i,1] == maxi)
+      {
+        c <- 0
+        #break
+      }
+      else
+        c
+    }
+
+    clasificacion[k] <- c
+    #k<-10
+  }
+
+  #Validacion
+
+  conf_mat <- matrix(0, n_clases, n_clases)
+  #i<-19
+  for(i in 1:obj_n_size)#obj_n_size
+  {
+    #Sumar uno en la matriz de confucion si las clases empiezan con 0
+    if(clasificacion[i] == data_target_test[i])
+      conf_mat[clasificacion[i],clasificacion[i]] <- conf_mat[clasificacion[i],clasificacion[i]] + 1
+    else-if(clasificacion[i] != data_target_test[i])
+      conf_mat[clasificacion[i],data_target_test[i]] <- conf_mat[clasificacion[i],data_target_test[i]] + 1
+    else
+      i
+  }
+
+  conf_mat
+
+  accuracy <- function(x){sum(diag(x)/(sum(rowSums(x))))*100}
+  #accuracy <- function(x){sum(diag(x)/obj_n_size)*100} #con abstenciones
+
+  accuracy(conf_mat)
+
+  matrices_conf[[m]] <- conf_mat
+  cross_valid_res[m] <- accuracy(conf_mat)
+  print(m)
+}
+
+suma <- 0
+
+for (i in 1:cv)
+{
+  suma <- suma + cross_valid_res[i]
+}
+
+media <- suma/cv