Free cookie consent management tool by TermsFeed Policy Generator

Ignore:
Timestamp:
09/28/16 12:53:51 (8 years ago)
Author:
gkronber
Message:

simplification of grammar and problem and bug fixes related to precalculated smoothed features

Location:
branches/HeuristicLab.Problems.GeneticProgramming.BloodGlucosePrediction
Files:
5 edited

Legend:

Unmodified
Added
Removed

  • branches/HeuristicLab.Problems.GeneticProgramming.BloodGlucosePrediction/Grammar.cs

    r14310 r14311  
    1919
    2020    public void Initialize() {
    21       var func = new SimpleSymbol("Func", "The root for the blood glucose forecasting model.", 3, 3);
     21      // var func = new SimpleSymbol("Func", "The root for the blood glucose forecasting model.", 3, 3);
    2222      var exprGluc = new SimpleSymbol("ExprGluc", string.Empty, 1, 1);
    23       var exprIns = new SimpleSymbol("ExprIns", string.Empty, 1, 1);
    24       var exprCh = new SimpleSymbol("ExprCh", string.Empty, 1, 1);
     23      // var exprIns = new SimpleSymbol("ExprIns", string.Empty, 1, 1);
     24      // var exprCh = new SimpleSymbol("ExprCh", string.Empty, 1, 1);
    2525
    2626      // var predGlucData = new PredictedGlucoseVariableSymbol();
    … …  
    3939
    4040      // operators for exprCh
    41       var plusCh = new SimpleSymbol("+Ch", "+", 2, 2);
    42       var minusCh = new SimpleSymbol("-Ch", "-", 2, 2);
    43       var prodCh = new SimpleSymbol("*Ch", "*", 2, 2);
    44       var divCh = new SimpleSymbol("/Ch", "/", 2, 2);
    45       var expCh = new SimpleSymbol("ExpCh", "Exp", 1, 1);
    46       var sinCh = new SimpleSymbol("SinCh", "Sin", 1, 1);
    47       var cosCh = new SimpleSymbol("CosCh", "Cos", 1, 1);
    48       var logCh = new SimpleSymbol("LogCh", "Log", 1, 1);
     41      // var plusCh = new SimpleSymbol("+Ch", "+", 2, 2);
     42      // var minusCh = new SimpleSymbol("-Ch", "-", 2, 2);
     43      // var prodCh = new SimpleSymbol("*Ch", "*", 2, 2);
     44      // var divCh = new SimpleSymbol("/Ch", "/", 2, 2);
     45      // var expCh = new SimpleSymbol("ExpCh", "Exp", 1, 1);
     46      // var sinCh = new SimpleSymbol("SinCh", "Sin", 1, 1);
     47      // var cosCh = new SimpleSymbol("CosCh", "Cos", 1, 1);
     48      // var logCh = new SimpleSymbol("LogCh", "Log", 1, 1);
    4949      var curvedCh = new CurvedChVariableSymbol("CurvedCh", "");
    5050      // var cteCh = new CteSymbol();
    5151
    5252      // operators for exprIns
    53       var plusIns = new SimpleSymbol("+Ins", "+", 2, 2);
    54       var minusIns = new SimpleSymbol("-Ins", "-", 2, 2);
    55       var prodIns = new SimpleSymbol("*Ins", "*", 2, 2);
    56       var divIns = new SimpleSymbol("/Ins", "/", 2, 2);
    57       var expIns = new SimpleSymbol("ExpIns", "Exp", 1, 1);
    58       var sinIns = new SimpleSymbol("SinIns", "Sin", 1, 1);
    59       var cosIns = new SimpleSymbol("CosIns", "Cos", 1, 1);
    60       var logIns = new SimpleSymbol("LogIns", "Log", 1, 1);
     53      // var plusIns = new SimpleSymbol("+Ins", "+", 2, 2);
     54      // var minusIns = new SimpleSymbol("-Ins", "-", 2, 2);
     55      // var prodIns = new SimpleSymbol("*Ins", "*", 2, 2);
     56      // var divIns = new SimpleSymbol("/Ins", "/", 2, 2);
     57      // var expIns = new SimpleSymbol("ExpIns", "Exp", 1, 1);
     58      // var sinIns = new SimpleSymbol("SinIns", "Sin", 1, 1);
     59      // var cosIns = new SimpleSymbol("CosIns", "Cos", 1, 1);
     60      // var logIns = new SimpleSymbol("LogIns", "Log", 1, 1);
    6161      var curvedIns = new CurvedInsVariableSymbol("CurvedIns", "");
    6262      // var realInsVar = new RealInsulineVariableSymbol();
    … …  
    6565      // var cteCh = new CteSymbol();
    6666
    67       AddSymbol(func);
     67      // AddSymbol(func);
    6868      AddSymbol(exprGluc);
    69       AddSymbol(exprIns);
    70       AddSymbol(exprCh);
     69      // AddSymbol(exprIns);
     70      // AddSymbol(exprCh);
    7171      // AddSymbol(predGlucData);
    7272      AddSymbol(realGlucData);
    … …  
    8282      AddSymbol(curvedCh);
    8383
    84       AddSymbol(plusCh);
    85       AddSymbol(minusCh);
    86       AddSymbol(prodCh);
    87       AddSymbol(divCh);
    88       AddSymbol(expCh);
    89       AddSymbol(sinCh);
    90       AddSymbol(cosCh);
    91       AddSymbol(logCh);
     84      // AddSymbol(plusCh);
     85      // AddSymbol(minusCh);
     86      // AddSymbol(prodCh);
     87      // AddSymbol(divCh);
     88      // AddSymbol(expCh);
     89      // AddSymbol(sinCh);
     90      // AddSymbol(cosCh);
     91      // AddSymbol(logCh);
    9292
    9393      AddSymbol(curvedIns);
    94       AddSymbol(plusIns);
    95       AddSymbol(minusIns);
    96       AddSymbol(prodIns);
    97       AddSymbol(divIns);
    98       AddSymbol(expIns);
    99       AddSymbol(sinIns);
    100       AddSymbol(cosIns);
    101       AddSymbol(logIns);
     94      // AddSymbol(plusIns);
     95      // AddSymbol(minusIns);
     96      // AddSymbol(prodIns);
     97      // AddSymbol(divIns);
     98      // AddSymbol(expIns);
     99      // AddSymbol(sinIns);
     100      // AddSymbol(cosIns);
     101      // AddSymbol(logIns);
    102102      // AddSymbol(realInsVar);
    103103      AddSymbol(constSy);
    104104
    105105      // <func> ::= <exprgluc> + <exprch> - <exprins>
    106       AddAllowedChildSymbol(func, exprGluc, 0);
    107       AddAllowedChildSymbol(func, exprCh, 1);
    108       AddAllowedChildSymbol(func, exprIns, 2);
     106      // AddAllowedChildSymbol(func, exprGluc, 0);
     107      // AddAllowedChildSymbol(func, exprCh, 1);
     108      // AddAllowedChildSymbol(func, exprIns, 2);
    109109
    110110      /* # Glucose
    … …  
    115115                    |realData(k-<idx2hOrMore>)
    116116      */
    117       var opGlucSet = new Symbol[] { plusGluc, minusGluc, prodGluc, divGluc, expGluc, sinGluc, cosGluc, logGluc, /*predGlucData, */ realGlucData, constSy };
     117      var opGlucSet = new Symbol[] { plusGluc, minusGluc, prodGluc, divGluc, expGluc, sinGluc, cosGluc, logGluc, /*predGlucData, */ realGlucData, constSy, curvedCh, curvedIns };
    118118      foreach (var opGluc in opGlucSet) {
    119119        AddAllowedChildSymbol(exprGluc, opGluc);
    … …  
    152152              |beta(0.02*Math.min(48,getPrevDataDistance(1,k,1)),5,2)
    153153      */
    154       var opChSet = new Symbol[] { plusCh, minusCh, prodCh, divCh, expCh, sinCh, cosCh, logCh, curvedCh, constSy };
    155       foreach (var opCh in opChSet) {
    156         AddAllowedChildSymbol(exprCh, opCh);
    157       }
    158 
    159       foreach (var parentOp in new Symbol[] { plusCh, minusCh, prodCh, divCh }) {
    160         foreach (var childOp in opChSet) {
    161           AddAllowedChildSymbol(parentOp, childOp, 0);
    162           AddAllowedChildSymbol(parentOp, childOp, 1);
    163         }
    164       }
    165       // <exprch> ::= <preop> (<exprch>)
    166       foreach (var parentOp in new Symbol[] { expCh, sinCh, cosCh, logCh }) {
    167         foreach (var childOp in opChSet) {
    168           AddAllowedChildSymbol(parentOp, childOp, 0);
    169         }
    170       }
     154      // var opChSet = new Symbol[] { plusCh, minusCh, prodCh, divCh, expCh, sinCh, cosCh, logCh, curvedCh, constSy };
     155      // foreach (var opCh in opChSet) {
     156      //   AddAllowedChildSymbol(exprCh, opCh);
     157      // }
     158      //
     159      // foreach (var parentOp in new Symbol[] { plusCh, minusCh, prodCh, divCh }) {
     160      //   foreach (var childOp in opChSet) {
     161      //     AddAllowedChildSymbol(parentOp, childOp, 0);
     162      //     AddAllowedChildSymbol(parentOp, childOp, 1);
     163      //   }
     164      // }
     165      // // <exprch> ::= <preop> (<exprch>)
     166      // foreach (var parentOp in new Symbol[] { expCh, sinCh, cosCh, logCh }) {
     167      //   foreach (var childOp in opChSet) {
     168      //     AddAllowedChildSymbol(parentOp, childOp, 0);
     169      //   }
     170      // }
    171171
    172172      /*
    … …  
    192192
    193193      */
    194       var opInsSet = new Symbol[] { plusIns, minusIns, prodIns, divIns, expIns, sinIns, cosIns, logIns, /* realInsVar, */ curvedIns, constSy };
    195       foreach (var opIns in opInsSet) {
    196         AddAllowedChildSymbol(exprIns, opIns);
    197       }
    198 
    199       // <exprins> ::= (<exprins> <op> <exprins>)
    200       // <exprins> ::= (<cte> <op> <exprins>)   
    201       foreach (var parentOp in new Symbol[] { plusIns, minusIns, prodIns, divIns }) {
    202         foreach (var childOp in opInsSet) {
    203           AddAllowedChildSymbol(parentOp, childOp, 0);
    204           AddAllowedChildSymbol(parentOp, childOp, 1);
    205         }
    206       }
    207       // <exprins> ::= <preop> (<exprins>)
    208       foreach (var op in new Symbol[] { expIns, sinIns, cosIns, logIns }) {
    209         foreach (var childOp in opInsSet) {
    210           AddAllowedChildSymbol(op, childOp, 0);
    211         }
    212       }
    213 
    214       // root is func
    215       AddAllowedChildSymbol(StartSymbol, func);
     194      // var opInsSet = new Symbol[] { plusIns, minusIns, prodIns, divIns, expIns, sinIns, cosIns, logIns, /* realInsVar, */ curvedIns, constSy };
     195      // foreach (var opIns in opInsSet) {
     196      //   AddAllowedChildSymbol(exprIns, opIns);
     197      // }
     198      //
     199      // // <exprins> ::= (<exprins> <op> <exprins>)
     200      // // <exprins> ::= (<cte> <op> <exprins>)   
     201      // foreach (var parentOp in new Symbol[] { plusIns, minusIns, prodIns, divIns }) {
     202      //   foreach (var childOp in opInsSet) {
     203      //     AddAllowedChildSymbol(parentOp, childOp, 0);
     204      //     AddAllowedChildSymbol(parentOp, childOp, 1);
     205      //   }
     206      // }
     207      // // <exprins> ::= <preop> (<exprins>)
     208      // foreach (var op in new Symbol[] { expIns, sinIns, cosIns, logIns }) {
     209      //   foreach (var childOp in opInsSet) {
     210      //     AddAllowedChildSymbol(op, childOp, 0);
     211      //   }
     212      // }
     213
     214      // root is exprGluc
     215      AddAllowedChildSymbol(StartSymbol, exprGluc);
    216216    }
    217217

  • branches/HeuristicLab.Problems.GeneticProgramming.BloodGlucosePrediction/Interpreter.cs

    r14310 r14311  
    3131      var predictions = new double[targetGluc.Length];
    3232      var rowsEnumerator = rows.GetEnumerator();
     33      rowsEnumerator.MoveNext();
    3334      for (int k = 0; k < predictions.Length; k++, rowsEnumerator.MoveNext()) {
    3435        if (double.IsNaN(targetGluc[k])) {
    … …  
    3637        } else {
    3738          var rawPred = InterpretRec(model, data, rowsEnumerator.Current);
    38           predictions[k] = rawPred; 
     39          predictions[k] = rawPred;
    3940        }
    4041      }
    … …  
    6162      // d Q1 / dt = ins(t) - alpha * Q1(t)
    6263      // d Q2 / dt = alpha * (Q1(t) - Q2(t))
    63       // S = Q1(t) + Q2(t)
     64      // d Q3 / dt = alpha * Q2(t) - beta * Q3(t)
    6465      var alpha = node.Alpha;
     66      var beta = node.Beta;
    6567
    6668      var ins = dataset.GetReadOnlyDoubleValues("Insuline");
    6769      var time = dataset.GetReadOnlyDoubleValues("HourMin").ToArray();
    6870
    69       // TODO reset for new time intervals
    70 
    71       double q1, q2, q1_prev, q2_prev;
     71      double q1, q2, q3, q1_prev, q2_prev, q3_prev;
    7272      // starting values: zeros
    73       q1 = q2 = q1_prev = q2_prev = 0;
     73      q1 = q2 = q3 = q1_prev = q2_prev = q3_prev = 0;
    7474      double[] s = new double[dataset.Rows];
    7575
    7676      for (int t = 1; t < dataset.Rows; t++) {
    7777        if (IsStartOfNewPeriod(time, t)) {
    78           q1 = q2 = q1_prev = q2_prev = 0;
     78          q1 = q2 = q3 = q1_prev = q2_prev = q3_prev = 0;
    7979        }
    8080        q1 = q1_prev + ins[t] - alpha * q1_prev;
    8181        q2 = q2_prev + alpha * (q1_prev - q2_prev);
    82         s[t] = q1 + q2;
     82        q3 = q3_prev + alpha * q2_prev - beta * q3_prev;
     83        s[t] = q3;
    8384        q1_prev = q1;
    8485        q2_prev = q2;
     86        q3_prev = q3;
    8587
    8688      }
    … …  
    9799      // d Q1 / dt = ins(t) - alpha * Q1(t)
    98100      // d Q2 / dt = alpha * (Q1(t) - Q2(t))
    99       // S = Q1(t) + Q2(t)
     101      // d Q3 / dt = alpha * Q2(t) - beta * Q3(t)
    100102      var alpha = node.Alpha;
    101 
    102       var ch = dataset.GetReadOnlyDoubleValues("CH");
     103      var beta = node.Beta;
     104
     105      var ins = dataset.GetReadOnlyDoubleValues("CH");
    103106      var time = dataset.GetReadOnlyDoubleValues("HourMin").ToArray();
    104107
    105       // TODO reset for new time intervals
    106 
    107       double q1, q2, q1_prev, q2_prev;
     108      double q1, q2, q3, q1_prev, q2_prev, q3_prev;
    108109      // starting values: zeros
    109       q1 = q2 = q1_prev = q2_prev = 0;
     110      q1 = q2 = q3 = q1_prev = q2_prev = q3_prev = 0;
    110111      double[] s = new double[dataset.Rows];
    111112
    112113      for (int t = 1; t < dataset.Rows; t++) {
    113114        if (IsStartOfNewPeriod(time, t)) {
    114           q1 = q2 = q1_prev = q2_prev = 0;
    115         }
    116         q1 = q1_prev + ch[t] - alpha * q1_prev;
     115          q1 = q2 = q3 = q1_prev = q2_prev = q3_prev = 0;
     116        }
     117        q1 = q1_prev + ins[t] - alpha * q1_prev;
    117118        q2 = q2_prev + alpha * (q1_prev - q2_prev);
    118         s[t] = q1 + q2;
     119        q3 = q3_prev + alpha * q2_prev - beta * q3_prev;
     120        s[t] = q3;
    119121        q1_prev = q1;
    120122        q2_prev = q2;
     123        q3_prev = q3;
    121124
    122125      }
    … …  
    206209    }
    207210
    208     private static double Beta(double x, double alpha, double beta) {
    209       return 1.0 / alglib.beta(alpha, beta) * Math.Pow(x, alpha - 1) * Math.Pow(1 - x, beta - 1);
    210     }
    211211  }
    212212}

  • branches/HeuristicLab.Problems.GeneticProgramming.BloodGlucosePrediction/Model.cs

    r14310 r14311  
    1818  public sealed class Model : NamedItem, IRegressionModel {
    1919    [Storable]
    20     private readonly IRegressionProblemData problemData;
    21     [Storable]
    2220    private readonly ISymbolicExpressionTree tree;
    2321    [Storable]
    … …  
    2624    private string[] variablesUsedForPrediction;
    2725
     26    [StorableConstructor]
     27    private Model(bool deserializing) : base(deserializing) {
     28    }
     29
    2830    private Model(Model original, Cloner cloner) {
    29       this.problemData = cloner.Clone(original.problemData);
    3031      this.tree = cloner.Clone(original.tree);
    3132      this.variablesUsedForPrediction = original.variablesUsedForPrediction;
    … …  
    3334    }
    3435
    35     public Model(IRegressionProblemData problemData, ISymbolicExpressionTree tree, string targetVariable, string[] variablesUsedForPrediction) {
    36       this.problemData = problemData;
     36    public Model(ISymbolicExpressionTree tree, string targetVariable, string[] variablesUsedForPrediction) {
    3737      this.tree = tree;
    3838      this.variablesUsedForPrediction = variablesUsedForPrediction;
    … …  
    4545
    4646    public IEnumerable<double> GetEstimatedValues(IDataset dataset, IEnumerable<int> rows) {
    47       return Interpreter.Apply(tree.Root.GetSubtree(0).GetSubtree(0), problemData.Dataset, rows);
     47      return Interpreter.Apply(tree.Root.GetSubtree(0).GetSubtree(0), dataset, rows);
    4848    }
    4949

  • branches/HeuristicLab.Problems.GeneticProgramming.BloodGlucosePrediction/Problem.cs

    r14310 r14311  
    3232using HeuristicLab.Persistence.Default.CompositeSerializers.Storable;
    3333using HeuristicLab.Problems.DataAnalysis;
     34using HeuristicLab.Problems.DataAnalysis.Symbolic;
    3435using HeuristicLab.Problems.Instances;
    3536
    … …  
    9899    public override double Evaluate(ISymbolicExpressionTree tree, IRandom random) {
    99100      var problemData = ProblemData;
    100       var rows = problemData.TrainingIndices.ToArray();
    101       var target = problemData.Dataset.GetDoubleValues(problemData.TargetVariable, rows);
    102       var predicted0 = Interpreter.Apply(tree.Root.GetSubtree(0).GetSubtree(0).GetSubtree(0), problemData.Dataset, rows);
    103       var predicted1 = Interpreter.Apply(tree.Root.GetSubtree(0).GetSubtree(0).GetSubtree(1), problemData.Dataset, rows);
    104       var predicted2 = Interpreter.Apply(tree.Root.GetSubtree(0).GetSubtree(0).GetSubtree(2), problemData.Dataset, rows);
    105 
    106       var pred0_rsq = Rsq(predicted0, target);
    107       var pred1_rsq = Rsq(predicted1, target);
    108       var pred2_rsq = Rsq(predicted2, target);
    109       return pred0_rsq + pred1_rsq + pred2_rsq;
     101      var target = problemData.Dataset.GetDoubleValues(problemData.TargetVariable, problemData.TrainingIndices);
     102      var allPredicted = Interpreter.Apply(tree.Root.GetSubtree(0).GetSubtree(0), problemData.Dataset, problemData.AllIndices).ToArray();
     103      var predicted = problemData.TrainingIndices.Select(r => allPredicted[r]);
     104
     105      // var predicted1 = Interpreter.Apply(tree.Root.GetSubtree(0).GetSubtree(0).GetSubtree(1), problemData.Dataset, rows);
     106      // var predicted2 = Interpreter.Apply(tree.Root.GetSubtree(0).GetSubtree(0).GetSubtree(2), problemData.Dataset, rows);
     107
     108      var pred0_rsq = Rsq(predicted, target);
     109      // var pred1_rsq = Rsq(predicted1, target);
     110      // var pred2_rsq = Rsq(predicted2, target);
     111      return pred0_rsq; // + pred1_rsq + pred2_rsq;
    110112    }
    111113
    … …  
    129131        results.Add(new Result("Solution", typeof(IRegressionSolution)));
    130132      }
    131       if (!results.ContainsKey("Terms")) {
    132         results.Add(new Result("Terms", typeof(DataTable)));
     133      if (!results.ContainsKey("ScaledTree")) {
     134        results.Add(new Result("ScaledTree", typeof(ISymbolicExpressionTree)));
    133135      }
     136      // if (!results.ContainsKey("Terms")) {
     137      //   results.Add(new Result("Terms", typeof(DataTable)));
     138      // }
    134139
    135140      var bestTree = trees.First();
    … …  
    142147      }
    143148
    144 
    145       var clonedProblemData = (IRegressionProblemData)ProblemData.Clone();
    146       var rows = clonedProblemData.TrainingIndices.ToArray();
    147       var target = clonedProblemData.Dataset.GetDoubleValues(clonedProblemData.TargetVariable, rows).ToArray();
    148       var predicted0 =
    149         Interpreter.Apply(bestTree.Root.GetSubtree(0).GetSubtree(0).GetSubtree(0), clonedProblemData.Dataset, rows)
     149      bestTree = (ISymbolicExpressionTree)bestTree.Clone();
     150      var expressionNode = bestTree.Root.GetSubtree(0).GetSubtree(0);
     151      // scale
     152
     153      var problemData = ProblemData;
     154      var rows = problemData.AllIndices.ToArray();
     155      var target = problemData.Dataset.GetDoubleValues(problemData.TargetVariable, rows).ToArray();
     156      var predicted =
     157        Interpreter.Apply(expressionNode.GetSubtree(0), problemData.Dataset, rows)
    150158          .ToArray();
    151       var predicted1 =
    152         Interpreter.Apply(bestTree.Root.GetSubtree(0).GetSubtree(0).GetSubtree(1), clonedProblemData.Dataset, rows)
    153           .ToArray();
    154       var predicted2 =
    155         Interpreter.Apply(bestTree.Root.GetSubtree(0).GetSubtree(0).GetSubtree(2), clonedProblemData.Dataset, rows)
    156           .ToArray();
    157 
    158       var termsTable = new HeuristicLab.Analysis.DataTable("Terms");
    159       var r0 = new DataRow("GlucTerm", "GlucTerm", predicted0);
    160       var r1 = new DataRow("InsTerm", "InsTerm", predicted1);
    161       r1.VisualProperties.SecondYAxis = true;
    162       var r2 = new DataRow("ChTerm", "ChTerm", predicted2);
    163       r2.VisualProperties.SecondYAxis = true;
    164       var r3 = new DataRow("Target", "Target", target);
    165       termsTable.Rows.Add(r0);
    166       termsTable.Rows.Add(r1);
    167       termsTable.Rows.Add(r2);
    168       termsTable.Rows.Add(r3);
    169       results["Terms"].Value = termsTable;
    170 
    171 
    172       var filteredPredicted0 = rows.Where(r => !double.IsNaN(target[r])).Select(r => predicted0[r]).ToArray();
    173       var filteredPredicted1 = rows.Where(r => !double.IsNaN(target[r])).Select(r => predicted1[r]).ToArray();
    174       var filteredPredicted2 = rows.Where(r => !double.IsNaN(target[r])).Select(r => predicted2[r]).ToArray();
     159
     160      var filteredPredicted = rows.Where(r => !double.IsNaN(target[r])).Select(r => predicted[r]).ToArray();
    175161      var filteredTarget = target.Where(t => !double.IsNaN(t)).ToArray();
    176 
    177 
    178       var ds = new ModifiableDataset(new string[] { "pred0", "pred1", "pred2", "target" },
    179         new List<IList>
    180         {
    181           filteredPredicted0.ToList(),
    182           filteredPredicted1.ToList(),
    183           filteredPredicted2.ToList(),
    184           filteredTarget.ToList()
    185         });
    186       var lrProbData = new RegressionProblemData(ds, new string[] { "pred0", "pred1", "pred2" }, "target");
    187       lrProbData.TrainingPartition.Start = clonedProblemData.TrainingPartition.Start;
    188       lrProbData.TrainingPartition.End = clonedProblemData.TrainingPartition.End;
    189       lrProbData.TestPartition.Start = clonedProblemData.TestPartition.Start;
    190       lrProbData.TestPartition.End = clonedProblemData.TestPartition.End;
    191 
    192       try {
    193         double rmsError, cvRmsError;
    194         var lrSolution = HeuristicLab.Algorithms.DataAnalysis.LinearRegression.CreateLinearRegressionSolution(
    195           lrProbData, out rmsError, out cvRmsError);
    196         results["Solution"].Value = lrSolution;
    197       } catch (Exception) {
    198         // ignore
    199       }
     162      OnlineCalculatorError error;
     163      double alpha;
     164      double beta;
     165      OnlineLinearScalingParameterCalculator.Calculate(filteredPredicted, filteredTarget, out alpha, out beta, out error);
     166
     167      var prod = new SimpleSymbol("*", "*", 2, 2).CreateTreeNode();
     168      var sum = new SimpleSymbol("+", "+", 2, 2).CreateTreeNode();
     169      var constAlpha = (ConstantTreeNode)(new Constant()).CreateTreeNode();
     170      constAlpha.Value = alpha;
     171      var constBeta = (ConstantTreeNode)(new Constant()).CreateTreeNode();
     172      constBeta.Value = beta;
     173
     174      var originalTree = expressionNode.GetSubtree(0);
     175      expressionNode.RemoveSubtree(0);
     176      expressionNode.AddSubtree(sum);
     177      sum.AddSubtree(prod);
     178      sum.AddSubtree(constAlpha);
     179      prod.AddSubtree(originalTree);
     180      prod.AddSubtree(constBeta);
     181
     182      var model = new Model(bestTree, problemData.TargetVariable, problemData.AllowedInputVariables.ToArray());
     183      model.Name = "Scaled Model";
     184      model.Description = "Scaled Model";
     185      results["Solution"].Value = model.CreateRegressionSolution(problemData);
     186      results["ScaledTree"].Value = bestTree;
     187
    200188    }
    201189

  • branches/HeuristicLab.Problems.GeneticProgramming.BloodGlucosePrediction/Solution.cs

    r13867 r14311  
    132132    }
    133133    public IEnumerable<double> EstimatedTrainingValues {
    134       get { return GetEstimatedValues(ProblemData.TrainingIndices); }
     134      get {
     135        var all = EstimatedValues.ToArray();
     136        return ProblemData.TrainingIndices.Select(r => all[r]);
     137      }
    135138    }
    136139    public IEnumerable<double> EstimatedTestValues {
    137       get { return GetEstimatedValues(ProblemData.TestIndices); }
     140      get {
     141        var all = EstimatedValues.ToArray();
     142        return ProblemData.TestIndices.Select(r => all[r]);
     143      }
    138144    }
    139145
    140146    public IEnumerable<double> GetEstimatedValues(IEnumerable<int> rows) {
    141       return Model.GetEstimatedValues(ProblemData.Dataset, rows);
     147      var all = Model.GetEstimatedValues(ProblemData.Dataset, ProblemData.AllIndices).ToArray();
     148      return rows.Select(r => all[r]);
    142149    }
    143150
Note: See TracChangeset for help on using the changeset viewer.