#include <si/subadaptive/nonIncrementalSubAdaptive.h>

Inheritance diagram for sigraph::NonIncrementalSubAdaptive:

[legend]

Collaboration diagram for sigraph::NonIncrementalSubAdaptive:

[legend]

Public Member Functions
virtual	~NonIncrementalSubAdaptive ()

virtual NonIncrementalSubAdaptive &	operator= (const NonIncrementalSubAdaptive &sa)

virtual SubAdResponse *	train (AdaptiveLeaf &, const SiDBLearnable &tr, const SiDBLearnable &tst)
	Apprentissage.

virtual double	learn (const SiDBLearnable &train)=0

virtual bool	hasIncrementalLearning (void) const
	Apprentissage incrémental ?

Public Member Functions inherited from sigraph::SubAdaptive
virtual	~SubAdaptive ()

virtual SubAdaptive &	operator= (const SubAdaptive &sa)

virtual SubAdaptive *	clone () const =0
	copie

virtual double	normalizedPotential (double outp) const

virtual double	unNormalizedPotential (double nout) const

virtual double	getLearnedLabel (const SiVectorLearnable &vl) const

virtual SubAdResponse *	test (const SiDBLearnable &tst)

virtual double	test (const SiVectorLearnable &vl)
	Test: met à jour le taux d'erreur de généralisation Renvoie la valeur prédite par le classifieur.

virtual double	prop (const std::vector< double > &vec)=0
	Propagation (model answer).

virtual void	init ()
	Initialise l'apprentissage (fonction abstraite)

virtual std::vector< double > *	normalizeSelected (const double *vec, unsigned int size)
	Normalise le vecteur d'entrée et ne retourne que les composantes sélectionnées dans le modèle.

virtual bool	openFile (const std::string &filename="")
	Ouvre un fichier pour écrire les vecteurs de données.

virtual void	closeFile ()
	Ferme le fichier.

virtual bool	fileOpened () const
	répond si le fichier est ouvert ou non

virtual std::string	chooseFilename (const std::string &basename="") const
	Choisit un nom de fichier par défaut.

virtual void	subFiles (const std::string &prefix, std::set< std::string > &listNames) const
	Donne la liste des fichiers sous le modèle.

void	setRealClassMode (RealClassMode m)

std::string	getRealClassMode (void) const

virtual void	resetStats ()
	Vide toutes les stats.

virtual void	setStats (const std::vector< double > &mean, const std::vector< double > &sigma)
	SetStats from vectors.

virtual void	learnStats (const std::vector< double > &vec, double outp=0)
	Ajout à la base de statistiques.

unsigned	nStats () const

void	setNStats (unsigned nstats)

const std::map< unsigned, Stat > &	stats () const

void	setStats (const std::map< unsigned, Stat > &stats)

double	getMean (unsigned ind)

double	getSigma (unsigned ind)

double	errorRate () const

double	genErrorRate () const

double	genGoodErrorRate () const

double	genBadErrorRate () const

double	genMeanErrorRate () const
	C'est CETTE fonction qui est utilisée pour la pondération des experts.

void	setErrorRate (double rate)

void	setGenErrorRate (double rate)

double	localMinGErr () const

double	localMaxGErr () const

double	globalMinGErr () const

double	globalMaxGErr () const

void	setLocalMinGErr (double e)

void	setLocalMaxGErr (double e)

void	setGlobalMinGErr (double e)

void	setGlobalMaxGErr (double e)

double	misclassGoodRate () const

void	setMisclassGoodRate (double x)

double	misclassBadRate () const

void	setMisclassBadRate (double x)

double	misclassRate () const

void	updateErrors (double err)
	Met à jour les taux d'erreur de généralisation (appelé par test())

void	updateGoodErrors (double err)
	Met à jour les taux d'erreur de généralisation pour les bons exemples (appelé par test())

void	updateBadErrors (double err)
	Met à jour les taux d'erreur de généralisation pour les bons exemples (appelé par test())

void	setGenGoodErrorRate (double rate)

void	setGenBadErrorRate (double rate)

void	setLocalGoodMinGErr (double e)

void	setLocalGoodMaxGErr (double e)

void	setGlobalGoodMinGErr (double e)

void	setGlobalGoodMaxGErr (double e)

double	appGoodErrorRate () const

void	setAppGoodErrorRate (double e)

unsigned	stepsSinceGenMin () const

void	setStepsSinceGenMin (unsigned n)

void	setGlobalGenGBError (double e)

void	setLearnfinished (bool s)

bool	getLearnfinished (void) const

virtual void	buildTree (Tree &tr) const
	Conversion en arbre (pour IO)

std::string	name () const

void	setName (const std::string name)

virtual void	setBaseName (const std::string &)

virtual void	getStreams (SubAdaptive &sa)
	Transfère les fichiers ouverts d'un autre modèle (en cas de copie)

virtual void	setFileNames (const std::string &)
	Noms des fichiers de sauvegardes (des réseaux de neurones par ex.)

virtual std::string	fileNames () const

virtual void	setMinOut (double mino)
	Fixe le min de la sortie.

virtual void	setMaxOut (double maxo)
	Fixe le max de la sortie.

virtual double	relianceWeight () const

RelianceWeightMethod	relianceWeightMethod () const

void	setRelianceWeightMethod (RelianceWeightMethod x)

Protected Member Functions
	NonIncrementalSubAdaptive (const std::string name="")

	NonIncrementalSubAdaptive (const NonIncrementalSubAdaptive &sa)

	SubAdaptive (const std::string name="")

	SubAdaptive (const SubAdaptive &sa)

Additional Inherited Members
Public Types inherited from sigraph::SubAdaptive
enum	RealClassMode { RealClassFromClassID , RealClassFromPotential }

enum	RelianceWeightMethod { MeanGenError , MisclassFrequency }

Static Public Attributes inherited from sigraph::SubAdaptive
static double	ForgetFactor
	Facteur d'oubli pour moyenner les taux d'erreurs.

static double	GenForgetFactor
	Facteur d'oubli pour moyenner les taux d'erreurs de généralisation.

static double	GenGoodForgetFactor
	Facteur d'oubli pour moyenner les taux d'erreurs de généralisation des bons exemples.

static double	GenBadForgetFactor
	Facteur d'oubli pour moyenner les taux d'erreurs de généralisation des mauvais exemples.

static double	LocalForgetFactor
	Facteur d'oubli pour les min et max locaux.

std::string	_name
	Entrées utiles.

unsigned	_nStats
	Nombre d'exemples dans les stats.

std::map< unsigned, Stat >	_stats
	Statistiques pour chaque entrée.

std::ostream *	_stream
	fichier de sauvegarde des données reçues en apprentissage

std::ostream *	_tstream
	fichier de sauvegarde pour les données de propagation / test

double	_errorRate
	Taux d'erreur d'apprentissage.

double	_genErrorRate
	Taux d'erreur de généralisation.

double	_mg
	Minimum global d'erreur.

double	_Mg
	Maximum global d'erreur.

double	_ml
	Minimum local d'erreur.

double	_Ml
	Maximum local d'erreur.

double	_ggErrorRate
	Taux d'erreur de généralisation sur les bons exemples.

double	_mgl
	Min local d'erreur sur les bons (généralisation)

double	_Mgl
	Max local d'erreur sur les bons.

double	_mgg
	Min global d'erreur sur les bons.

double	_Mgg
	Max global d'erreur sur les bons.

double	_agErrorRate
	Taux d'erreur d'apprentissage sur les bons exemples.

unsigned	_stepsSinceGenMin
	Nb de tests depuis le dernier minimum global.

double	_gbErrorRate
	Taux d'erreur de généralisation sur les mauvais exemples.

double	_mggb
	Min global de (erreur bons + erreur mauvais) en généralisation.

double	_misclassGoodRate

double	_misclassBadRate

double	_minOut
	Borne inf de la sortie.

double	_maxOut
	Borne sup de la sortie.

bool	_learnfinished
	L'apprentissage a été effectué.

RealClassMode	_real_class_mode
	Real Class mode.

RelianceWeightMethod	_relianceWeightMethod