3#ifndef SI_MODEL_ADAPTIVE_H
4#define SI_MODEL_ADAPTIVE_H
40 const std::list<Clique *> *lrnCliques,
41 const std::list<Clique *> *tstCliques,
42 int cycles,
int cycles_tst) = 0;
79 const std::list<Clique *> &cliques) = 0;
void setNbLearnData(unsigned n)
virtual double errorRate() const =0
Taux d'erreur d'apprentissage global.
Adaptive & operator=(const Adaptive &ad)
virtual void trainDomain(const std::list< Clique * > &cliques)
virtual void generateDataBase(Learner &learner, const std::string &prefix, const std::list< Clique * > *lrnCliques, const std::list< Clique * > *tstCliques, int cycles, int cycles_tst)=0
Apprentissage du modèle sur lrn et test avec tst.
virtual bool checkLearnFinished()
fonction non-const pcq elle peut positionner le flag
unsigned nbLearnData() const
virtual double relianceWeight() const =0
virtual void init()
Initialisation des parties adaptatives (fonction abstraite)
virtual double eval(const Clique *)=0
Evaluation (confiance dans la réponse au point donné) (fonction abstraite)
bool isAdaptive() const
Le modèle est-il adaptatif ?
virtual void buildTree(Tree &tr) const
Conversion en arbre (pour IO)
Adaptive(Model *parent=0)
virtual Model * clone() const =0
Duplication (fonction abstraite)
virtual void trainStats(Learner &learner, const std::list< Clique * > &cliques)=0
Ajout à la base de statistiques (fonction abstraite)
unsigned _ndata
Nombre d'exemples appris.
virtual void resetStats()=0
Vide toutes les stats (fonction abstraite)
virtual double genErrorRate() const =0
Taux d'erreur de généralisation.
void setLearnFinished(bool f)
virtual void forceLearnFinished()
fait ce qu'il faut pour "fermer" l'apprentissage (remet le dernier mémo...)
virtual bool learnFinished() const
regarde juste la variable interne
Séquence d'apprentissage, classe de base (abstraite).
virtual Model * parent()
Donne le parent direct (0 si pas de parent)
Model & operator=(const Model &m)