Refact lab2

[brunopk]

La idea de este PR es facilitar el desarrollo poniendo foco principalmente en que sea lo mas simple posible soportar atributos numéricos. Dejo un resumen de lo mas importante de cada commit:

• Commit https://github.com/acabreragnz/aa-18/pull/11/commits/8d95fa54926909e9b4c0c39bb80e7a886c674f56 No se estaba usando el método fit, se tenía el árbol separado de la clase y luego se usaba el método predict pasándole como parámetro un árbol (nodo raiz).

• Commit https://github.com/acabreragnz/aa-18/pull/11/commits/c6b1d4a69a47fb411ba60d889e49e8d3c85b26e4 La idea es tener unificado el manejo de los ARFF. Una cosa que noté es que el formato de los ARFF define una especie de tipos de atributos (NUMERIC, etc) que no son los mismos que en Python (float, str, etc). Las ventajas de esto son:

  • No repetir la misma lógica para cargar los dataset:

data = arff.load(open(path, 'r'))
attributes = data["attributes"]
columns = [x[0] for x in attributes]
return pd.DataFrame(data=data['data'], columns=columns), attributes

• Ahorrar un parámetro para tener la lista de atributos en varias funciones (id3, select_attribute, etc)
• Poder saber rápido y fácil si un atributo es numérico para tratarlo con una estrategia distinta.

Toda esta información de un atributo esta en la clase AttributeInfo, por ejemplo en type está si es string (str) o float

• Commit https://github.com/acabreragnz/aa-18/pull/11/commits/5396249a3e0770804668b79c6abb23e20d07b6b5:

Este es el principal commit. Como puse en los comentarios del commit, la idea es manejar un objeto Condition, esto tiene varias ventajas:

• El algoritmo id3 queda mas simple
• Navegar el árbol para obtener el valor predecido también es mas simple
• No se precisa cambiar ni el algoritmo ni la forma de navegarlo.
• Se puede implementar mas rápido cualquier estrategia para particionar atributos numéricos, lo que hay que hacer básicamente: 1) Definir el/los objetos Condition para modelar los intervalos sobre los valores 2) Definir la estrategia para elegir un atributo, o sea como saber si es mejor que otros atributos, generar las particiones como puse antes, etc. Todo esto se puede hacer en un archivo en el directorio lab2/ej5/src/strategy

[acabreragnz]

Excelente laburo, dejo un poco descrito el flujo de las cosas.

1. El clasificador recibe una funcion que es la encargada de decidir el mejor atributo, a partir del atributo objetivo.

Classifier(select_attribute, target_attribute)

2. Se hace fit, que representa la generacion del arbol con el algoritmo id3 a partir del ds

classifier.fit(ds)

Id3 ahora contiene Node y LeafNode Los nodos de tipo Node tienen contenido una condicion de tipo Condition que nos permite navegar por las ramas. Es decir se recorre el arbol desde la raiz nodo a nodo, hasta llegar a una hoja.

La clase derivada de Condition es DiscreteCondition la cual sirve tanto para evaluar como para filtrar las instancias.

DiscreteCondition recibe un atributo y un valor, luego al evaluar (eval) una instancia, se fija que la instancia aplicada en ese atributo tenga ese valor (si da True es que el nodo actual es por el cual debemos navegando)

Sobre StrategyResult, representa el mejor atributo seleccionado y las particiones. Las particiones son un listado de condiciones, cada una asociada a cada rama posible, que se van a evaluar en el paso recursivo de ID3.

3. Dado un ejemplo se predice su resultado usando

classifier.predict(instance) el cual retorna True si da YES sino False