yat/classifier/SubsetGenerator.h

Code
Comments
Other
Rev Date Author Line
4200 19 Aug 22 peter 1 #ifndef _theplu_yat_classifier_subset_generator_
4200 19 Aug 22 peter 2 #define _theplu_yat_classifier_subset_generator_
613 30 Aug 06 markus 3
613 30 Aug 06 markus 4 // $Id$
613 30 Aug 06 markus 5
613 30 Aug 06 markus 6 /*
2119 12 Dec 09 peter 7   Copyright (C) 2006 Jari Häkkinen, Peter Johansson, Markus Ringnér
4359 23 Aug 23 peter 8   Copyright (C) 2007 Peter Johansson
4359 23 Aug 23 peter 9   Copyright (C) 2008 Jari Häkkinen, Peter Johansson
4359 23 Aug 23 peter 10   Copyright (C) 2009, 2010 Peter Johansson
613 30 Aug 06 markus 11
1437 25 Aug 08 peter 12   This file is part of the yat library, http://dev.thep.lu.se/yat
613 30 Aug 06 markus 13
675 10 Oct 06 jari 14   The yat library is free software; you can redistribute it and/or
675 10 Oct 06 jari 15   modify it under the terms of the GNU General Public License as
1486 09 Sep 08 jari 16   published by the Free Software Foundation; either version 3 of the
675 10 Oct 06 jari 17   License, or (at your option) any later version.
613 30 Aug 06 markus 18
675 10 Oct 06 jari 19   The yat library is distributed in the hope that it will be useful,
675 10 Oct 06 jari 20   but WITHOUT ANY WARRANTY; without even the implied warranty of
675 10 Oct 06 jari 21   MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
613 30 Aug 06 markus 22   General Public License for more details.
613 30 Aug 06 markus 23
613 30 Aug 06 markus 24   You should have received a copy of the GNU General Public License
1487 10 Sep 08 jari 25   along with yat. If not, see <http://www.gnu.org/licenses/>.
613 30 Aug 06 markus 26 */
613 30 Aug 06 markus 27
1072 12 Feb 08 peter 28 #include "FeatureSelector.h"
1072 12 Feb 08 peter 29 #include "KernelLookup.h"
1072 12 Feb 08 peter 30 #include "MatrixLookup.h"
1072 12 Feb 08 peter 31 #include "MatrixLookupWeighted.h"
680 11 Oct 06 jari 32 #include "Target.h"
680 11 Oct 06 jari 33 #include "Sampler.h"
1134 23 Feb 08 peter 34 #include "yat/utility/Index.h"
1086 14 Feb 08 peter 35 #include "yat/utility/yat_assert.h"
675 10 Oct 06 jari 36
1072 12 Feb 08 peter 37 #include <algorithm>
1072 12 Feb 08 peter 38 #include <utility>
1072 12 Feb 08 peter 39 #include <typeinfo>
615 31 Aug 06 peter 40 #include <vector>
613 30 Aug 06 markus 41
613 30 Aug 06 markus 42 namespace theplu {
680 11 Oct 06 jari 43 namespace yat {
4200 19 Aug 22 peter 44 namespace classifier {
613 30 Aug 06 markus 45   ///
4200 19 Aug 22 peter 46   /// @brief Class splitting Data into training and validation set.
767 22 Feb 07 peter 47   ///
1220 11 Mar 08 peter 48   /// A SubsetGenerator splits a Data into several training and
1220 11 Mar 08 peter 49   /// validation data. A Sampler is used to select samples for a
1220 11 Mar 08 peter 50   /// training Data set and a validation Data set, respectively. In
1220 11 Mar 08 peter 51   /// addition a FeatureSelector can be used to select Features. For
1220 11 Mar 08 peter 52   /// more details see constructors.
4200 19 Aug 22 peter 53   ///
1220 11 Mar 08 peter 54   /// \note Data must be one of MatrixLookup, MatrixLookupWeighted, or
1220 11 Mar 08 peter 55   /// KernelLookup.
1220 11 Mar 08 peter 56   ///
4200 19 Aug 22 peter 57   template <typename Data>
1072 12 Feb 08 peter 58   class SubsetGenerator
613 30 Aug 06 markus 59   {
1079 13 Feb 08 peter 60   public:
1125 22 Feb 08 peter 61     /**
1220 11 Mar 08 peter 62        type of Data that is stored in SubsetGenerator
1125 22 Feb 08 peter 63      */
1220 11 Mar 08 peter 64     typedef Data value_type;
1072 12 Feb 08 peter 65
613 30 Aug 06 markus 66     ///
1220 11 Mar 08 peter 67     /// @brief Create SubDataSets
4200 19 Aug 22 peter 68     ///
1220 11 Mar 08 peter 69     /// Creates N training data sets and N validation data sets, where
1220 11 Mar 08 peter 70     /// N equals the size of \a sampler. Data must be one of
1220 11 Mar 08 peter 71     /// MatrixLookup, MatrixLookupWeighted, or KernelLookup.
615 31 Aug 06 peter 72     ///
1220 11 Mar 08 peter 73     /// In case of MatrixLookup or MatrixLookupWeighted, each column
1220 11 Mar 08 peter 74     /// corresponds to a sample and the \a sampler is used to select
1220 11 Mar 08 peter 75     /// columns. Sampler::training_index(size_t) is used to select
1220 11 Mar 08 peter 76     /// columns for the corresponding traing_data, and
1220 11 Mar 08 peter 77     /// Sampler::validation_index(size_t) is used to select columns
1220 11 Mar 08 peter 78     /// for the corresponding validation_data.
1220 11 Mar 08 peter 79     ///
1220 11 Mar 08 peter 80     /// In case of a KernelLookup it is a bit different. A symmetric
1220 11 Mar 08 peter 81     /// training kernel is created using
1220 11 Mar 08 peter 82     /// Sampler::training_index(size_t) to select rows and
1220 11 Mar 08 peter 83     /// columns. The validation kernel is typically not symmetric, but
1220 11 Mar 08 peter 84     /// the columns correspond to a validation sample and each row
1220 11 Mar 08 peter 85     /// corresponds to a training sample. Consequently
1220 11 Mar 08 peter 86     /// Sampler::training_index(size_t) is used to select rows, and
1220 11 Mar 08 peter 87     /// Sampler::validation_index(size_t) is used to select columns.
1220 11 Mar 08 peter 88     ///
1220 11 Mar 08 peter 89     /// @param sampler Sampler that is used to select samples.
1220 11 Mar 08 peter 90     /// @param data Data to split up in validation and training.
1220 11 Mar 08 peter 91     ///
1220 11 Mar 08 peter 92     SubsetGenerator(const Sampler& sampler, const Data& data);
615 31 Aug 06 peter 93
615 31 Aug 06 peter 94     ///
1220 11 Mar 08 peter 95     /// @brief Create SubDataSets with feature selection
4200 19 Aug 22 peter 96     ///
1220 11 Mar 08 peter 97     /// Creates N training data sets and N validation data sets, where
1220 11 Mar 08 peter 98     /// N equals the size of \a sampler. The Sampler defines which
1220 11 Mar 08 peter 99     /// samples are included in a subset. Likewise a FeatureSelector,
1220 11 Mar 08 peter 100     /// \a fs, is used to select features. The selection is based on
1220 11 Mar 08 peter 101     /// not based on the entire dataset but solely on the training
1220 11 Mar 08 peter 102     /// dataset. Data must be one of MatrixLookup,
1220 11 Mar 08 peter 103     /// MatrixLookupWeighted, or KernelLookup.
1220 11 Mar 08 peter 104     ///
1220 11 Mar 08 peter 105     /// In case of MatrixLookup or MatrixLookupWeighted, each column
1220 11 Mar 08 peter 106     /// corresponds to a sample and the \a sampler is used to select
1220 11 Mar 08 peter 107     /// columns. Sampler::training_index(size_t) is used to select
1220 11 Mar 08 peter 108     /// columns for the corresponding traing_data, and
1220 11 Mar 08 peter 109     /// Sampler::validation_index(size_t) is used to select columns
1220 11 Mar 08 peter 110     /// for the corresponding validation_data. The FeatureSelector is
1220 11 Mar 08 peter 111     /// used to select features, i.e., to select rows to be included
1220 11 Mar 08 peter 112     /// in the subsets.
1220 11 Mar 08 peter 113     ///
1220 11 Mar 08 peter 114     /// In case of a KernelLookup it is a bit different. A symmetric
1220 11 Mar 08 peter 115     /// training kernel is created using
1220 11 Mar 08 peter 116     /// Sampler::training_index(size_t) to select rows and
1220 11 Mar 08 peter 117     /// columns. However, the created KernelLookup is not simply the
1220 11 Mar 08 peter 118     /// subkernel of \a data, but each element is recalculated using
1220 11 Mar 08 peter 119     /// the features selected by FeatureSelector \a fs. In the
1220 11 Mar 08 peter 120     /// validation kernel each column corresponds to a validation
1220 11 Mar 08 peter 121     /// sample and each row corresponds to a training
1220 11 Mar 08 peter 122     /// sample. Consequently Sampler::training_index(size_t) is used
1220 11 Mar 08 peter 123     /// to select rows, and Sampler::validation_index(size_t) is used
1220 11 Mar 08 peter 124     /// to select columns. The same set of features are used to
1220 11 Mar 08 peter 125     /// caclulate the elements as for the training kernel, i.e.,
1220 11 Mar 08 peter 126     /// feature selection is based on training data.
1220 11 Mar 08 peter 127     ///
648 14 Sep 06 peter 128     /// @param sampler taking care of partioning dataset
648 14 Sep 06 peter 129     /// @param data data to be split up in validation and training.
648 14 Sep 06 peter 130     /// @param fs Object selecting features for each subset
615 31 Aug 06 peter 131     ///
4200 19 Aug 22 peter 132     SubsetGenerator(const Sampler& sampler, const Data& data,
615 31 Aug 06 peter 133                     FeatureSelector& fs);
615 31 Aug 06 peter 134
615 31 Aug 06 peter 135     ///
613 30 Aug 06 markus 136     /// Destructor
613 30 Aug 06 markus 137     ///
615 31 Aug 06 peter 138     ~SubsetGenerator();
4200 19 Aug 22 peter 139
615 31 Aug 06 peter 140     ///
615 31 Aug 06 peter 141     /// @return number of subsets
615 31 Aug 06 peter 142     ///
1220 11 Mar 08 peter 143     size_t size(void) const;
615 31 Aug 06 peter 144
615 31 Aug 06 peter 145     ///
615 31 Aug 06 peter 146     /// @return the target for the total set
615 31 Aug 06 peter 147     ///
720 26 Dec 06 jari 148     const Target& target(void) const;
615 31 Aug 06 peter 149
615 31 Aug 06 peter 150     ///
1220 11 Mar 08 peter 151     /// See constructors for details on how training data are
1220 11 Mar 08 peter 152     /// generated.
615 31 Aug 06 peter 153     ///
1220 11 Mar 08 peter 154     /// @return ith training data
1220 11 Mar 08 peter 155     ///
1220 11 Mar 08 peter 156     const Data& training_data(size_t i) const;
615 31 Aug 06 peter 157
615 31 Aug 06 peter 158     ///
1220 11 Mar 08 peter 159     /// Features that are used to create ith training data and
1220 11 Mar 08 peter 160     /// validation data.
615 31 Aug 06 peter 161     ///
615 31 Aug 06 peter 162     /// @return training features
615 31 Aug 06 peter 163     ///
1186 28 Feb 08 peter 164     const utility::Index& training_features(size_t i) const;
615 31 Aug 06 peter 165
615 31 Aug 06 peter 166     ///
1222 11 Mar 08 peter 167     /// @return Index of samples included in ith training data.
615 31 Aug 06 peter 168     ///
1186 28 Feb 08 peter 169     const utility::Index& training_index(size_t i) const;
615 31 Aug 06 peter 170
615 31 Aug 06 peter 171     ///
1220 11 Mar 08 peter 172     /// @return Targets of ith set of training samples
615 31 Aug 06 peter 173     ///
1220 11 Mar 08 peter 174     const Target& training_target(size_t i) const;
615 31 Aug 06 peter 175
615 31 Aug 06 peter 176     ///
1220 11 Mar 08 peter 177     /// See constructors for details on how validation data are
1220 11 Mar 08 peter 178     /// generated.
615 31 Aug 06 peter 179     ///
1220 11 Mar 08 peter 180     /// @return ith validation data
1220 11 Mar 08 peter 181     ///
1220 11 Mar 08 peter 182     const Data& validation_data(size_t i) const;
615 31 Aug 06 peter 183
615 31 Aug 06 peter 184     ///
1222 11 Mar 08 peter 185     /// @return Index of samples included in ith validation data.
615 31 Aug 06 peter 186     ///
1220 11 Mar 08 peter 187     const utility::Index& validation_index(size_t i) const;
615 31 Aug 06 peter 188
615 31 Aug 06 peter 189     ///
1220 11 Mar 08 peter 190     /// @return Targets of ith set validation samples
615 31 Aug 06 peter 191     ///
1220 11 Mar 08 peter 192     const Target& validation_target(size_t i) const;
615 31 Aug 06 peter 193
613 30 Aug 06 markus 194   private:
1086 14 Feb 08 peter 195     void build(const MatrixLookup&);
1086 14 Feb 08 peter 196     void build(const MatrixLookupWeighted&);
1086 14 Feb 08 peter 197     void build(const KernelLookup&);
1086 14 Feb 08 peter 198
615 31 Aug 06 peter 199     SubsetGenerator(const SubsetGenerator&);
615 31 Aug 06 peter 200     const SubsetGenerator& operator=(const SubsetGenerator&) const;
613 30 Aug 06 markus 201
615 31 Aug 06 peter 202     FeatureSelector* f_selector_;
1134 23 Feb 08 peter 203     std::vector<utility::Index > features_;
615 31 Aug 06 peter 204     const Sampler& sampler_;
1220 11 Mar 08 peter 205     std::vector<const Data*> training_data_;
615 31 Aug 06 peter 206     std::vector<Target> training_target_;
1220 11 Mar 08 peter 207     std::vector<const Data*> validation_data_;
615 31 Aug 06 peter 208     std::vector<Target> validation_target_;
613 30 Aug 06 markus 209
613 30 Aug 06 markus 210   };
613 30 Aug 06 markus 211
1072 12 Feb 08 peter 212
1072 12 Feb 08 peter 213   // templates
1072 12 Feb 08 peter 214
1220 11 Mar 08 peter 215   template<typename Data>
4200 19 Aug 22 peter 216   SubsetGenerator<Data>::SubsetGenerator(const Sampler& sampler,
1220 11 Mar 08 peter 217                                          const Data& data)
1086 14 Feb 08 peter 218     : f_selector_(NULL), sampler_(sampler)
4200 19 Aug 22 peter 219   {
1875 19 Mar 09 peter 220     YAT_ASSERT(target().size()==data.columns());
1072 12 Feb 08 peter 221
1072 12 Feb 08 peter 222     training_data_.reserve(sampler_.size());
1072 12 Feb 08 peter 223     validation_data_.reserve(sampler_.size());
1167 26 Feb 08 peter 224     build(data);
1875 19 Mar 09 peter 225     YAT_ASSERT(training_data_.size()==size());
1875 19 Mar 09 peter 226     YAT_ASSERT(training_target_.size()==size());
1875 19 Mar 09 peter 227     YAT_ASSERT(validation_data_.size()==size());
1875 19 Mar 09 peter 228     YAT_ASSERT(validation_target_.size()==size());
1072 12 Feb 08 peter 229   }
1072 12 Feb 08 peter 230
1072 12 Feb 08 peter 231
1220 11 Mar 08 peter 232   template<typename Data>
4200 19 Aug 22 peter 233   SubsetGenerator<Data>::SubsetGenerator(const Sampler& sampler,
4200 19 Aug 22 peter 234                                       const Data& data,
1167 26 Feb 08 peter 235                                       FeatureSelector& fs)
1086 14 Feb 08 peter 236     : f_selector_(&fs), sampler_(sampler)
4200 19 Aug 22 peter 237   {
1875 19 Mar 09 peter 238     YAT_ASSERT(target().size()==data.columns());
1072 12 Feb 08 peter 239     features_.reserve(size());
1072 12 Feb 08 peter 240     training_data_.reserve(size());
1072 12 Feb 08 peter 241     validation_data_.reserve(size());
1086 14 Feb 08 peter 242     build(data);
1875 19 Mar 09 peter 243     YAT_ASSERT(training_data_.size()==size());
1875 19 Mar 09 peter 244     YAT_ASSERT(training_target_.size()==size());
1875 19 Mar 09 peter 245     YAT_ASSERT(validation_data_.size()==size());
1875 19 Mar 09 peter 246     YAT_ASSERT(validation_target_.size()==size());
1072 12 Feb 08 peter 247   }
1072 12 Feb 08 peter 248
1072 12 Feb 08 peter 249
1220 11 Mar 08 peter 250   template<typename Data>
1220 11 Mar 08 peter 251   SubsetGenerator<Data>::~SubsetGenerator()
1072 12 Feb 08 peter 252   {
1875 19 Mar 09 peter 253     YAT_ASSERT(training_data_.size()==validation_data_.size());
4200 19 Aug 22 peter 254     for (size_t i=0; i<training_data_.size(); i++)
1072 12 Feb 08 peter 255       delete training_data_[i];
4200 19 Aug 22 peter 256     for (size_t i=0; i<validation_data_.size(); i++)
1072 12 Feb 08 peter 257       delete validation_data_[i];
1072 12 Feb 08 peter 258   }
1072 12 Feb 08 peter 259
1072 12 Feb 08 peter 260
1220 11 Mar 08 peter 261   template<typename Data>
1220 11 Mar 08 peter 262   void SubsetGenerator<Data>::build(const MatrixLookup& ml)
1086 14 Feb 08 peter 263   {
1206 05 Mar 08 peter 264     if (!f_selector_)// no feature selection
1206 05 Mar 08 peter 265       features_.push_back(utility::Index(ml.rows()));
1206 05 Mar 08 peter 266
1086 14 Feb 08 peter 267     for (size_t k=0; k<size(); k++){
1086 14 Feb 08 peter 268       training_target_.push_back(Target(target(),training_index(k)));
1086 14 Feb 08 peter 269       validation_target_.push_back(Target(target(),validation_index(k)));
1167 26 Feb 08 peter 270       if (f_selector_){
1167 26 Feb 08 peter 271         // training data with no feature selection
4200 19 Aug 22 peter 272         const MatrixLookup* train_data_all_feat =
1168 26 Feb 08 peter 273           new MatrixLookup(ml, training_index(k), false);
1167 26 Feb 08 peter 274         // use these data to create feature selection
1875 19 Mar 09 peter 275         YAT_ASSERT(train_data_all_feat);
1167 26 Feb 08 peter 276         f_selector_->update(*train_data_all_feat, training_target(k));
1086 14 Feb 08 peter 277         // get features
1167 26 Feb 08 peter 278         features_.push_back(f_selector_->features());
1875 19 Mar 09 peter 279         YAT_ASSERT(train_data_all_feat);
1167 26 Feb 08 peter 280         delete train_data_all_feat;
1167 26 Feb 08 peter 281       }
4200 19 Aug 22 peter 282
1086 14 Feb 08 peter 283       // Dynamically allocated. Must be deleted in destructor.
4200 19 Aug 22 peter 284       training_data_.push_back(new MatrixLookup(ml,features_.back(),
1086 14 Feb 08 peter 285                                                 training_index(k)));
4200 19 Aug 22 peter 286       validation_data_.push_back(new MatrixLookup(ml,features_.back(),
4200 19 Aug 22 peter 287                                                   validation_index(k)));
1086 14 Feb 08 peter 288     }
1086 14 Feb 08 peter 289
1086 14 Feb 08 peter 290   }
1086 14 Feb 08 peter 291
1086 14 Feb 08 peter 292
1220 11 Mar 08 peter 293   template<typename Data>
1220 11 Mar 08 peter 294   void SubsetGenerator<Data>::build(const MatrixLookupWeighted& ml)
1086 14 Feb 08 peter 295   {
1206 05 Mar 08 peter 296     if (!f_selector_)// no feature selection
1206 05 Mar 08 peter 297       features_.push_back(utility::Index(ml.rows()));
1206 05 Mar 08 peter 298
1273 10 Apr 08 jari 299     for (unsigned long k=0; k<size(); k++){
1086 14 Feb 08 peter 300       training_target_.push_back(Target(target(),training_index(k)));
1086 14 Feb 08 peter 301       validation_target_.push_back(Target(target(),validation_index(k)));
1167 26 Feb 08 peter 302       if (f_selector_){
1167 26 Feb 08 peter 303         // training data with no feature selection
4200 19 Aug 22 peter 304         const MatrixLookupWeighted* train_data_all_feat =
4200 19 Aug 22 peter 305           new MatrixLookupWeighted(ml, utility::Index(ml.rows()),
2226 24 Mar 10 peter 306                                    training_index(k));
1167 26 Feb 08 peter 307         // use these data to create feature selection
1167 26 Feb 08 peter 308         f_selector_->update(*train_data_all_feat, training_target(k));
1167 26 Feb 08 peter 309         // get features
1167 26 Feb 08 peter 310         features_.push_back(f_selector_->features());
1167 26 Feb 08 peter 311         delete train_data_all_feat;
1167 26 Feb 08 peter 312       }
1167 26 Feb 08 peter 313
1167 26 Feb 08 peter 314
1086 14 Feb 08 peter 315       // Dynamically allocated. Must be deleted in destructor.
4200 19 Aug 22 peter 316       training_data_.push_back(new MatrixLookupWeighted(ml, features_.back(),
1086 14 Feb 08 peter 317                                                         training_index(k)));
4200 19 Aug 22 peter 318       validation_data_.push_back(new MatrixLookupWeighted(ml, features_.back(),
1086 14 Feb 08 peter 319                                                           validation_index(k)));
1086 14 Feb 08 peter 320     }
1086 14 Feb 08 peter 321   }
1086 14 Feb 08 peter 322
1220 11 Mar 08 peter 323   template<typename Data>
1220 11 Mar 08 peter 324   void SubsetGenerator<Data>::build(const KernelLookup& kernel)
1086 14 Feb 08 peter 325   {
1273 10 Apr 08 jari 326     for (unsigned long k=0; k<size(); k++){
1086 14 Feb 08 peter 327       training_target_.push_back(Target(target(),training_index(k)));
1086 14 Feb 08 peter 328       validation_target_.push_back(Target(target(),validation_index(k)));
1165 26 Feb 08 peter 329
1167 26 Feb 08 peter 330       if (f_selector_){
1167 26 Feb 08 peter 331         if (kernel.weighted()){
1206 05 Mar 08 peter 332           MatrixLookupWeighted ml = kernel.data_weighted();
4200 19 Aug 22 peter 333           f_selector_->update(MatrixLookupWeighted(ml,
2226 24 Mar 10 peter 334                                                    utility::Index(ml.rows()),
4200 19 Aug 22 peter 335                                                    training_index(k)),
1167 26 Feb 08 peter 336                               training_target(k));
1167 26 Feb 08 peter 337         }
1167 26 Feb 08 peter 338         else {
1206 05 Mar 08 peter 339           MatrixLookup ml=kernel.data();
4200 19 Aug 22 peter 340           f_selector_->update(MatrixLookup(ml,training_index(k), false),
1167 26 Feb 08 peter 341                               training_target(k));
4200 19 Aug 22 peter 342         }
1167 26 Feb 08 peter 343         features_.push_back(f_selector_->features());
1206 05 Mar 08 peter 344         KernelLookup kl =  kernel.selected(features_.back());
1167 26 Feb 08 peter 345         // Dynamically allocated. Must be deleted in destructor.
1206 05 Mar 08 peter 346         training_data_.push_back(new KernelLookup(kl,training_index(k),
1167 26 Feb 08 peter 347                                                   training_index(k)));
4200 19 Aug 22 peter 348         validation_data_.push_back(new KernelLookup(kl, training_index(k),
1167 26 Feb 08 peter 349                                                     validation_index(k)));
1086 14 Feb 08 peter 350       }
1167 26 Feb 08 peter 351       else {// no feature selection
1167 26 Feb 08 peter 352         training_data_.push_back(new KernelLookup(kernel, training_index(k),
1167 26 Feb 08 peter 353                                                   training_index(k)));
4200 19 Aug 22 peter 354         validation_data_.push_back(new KernelLookup(kernel,
4200 19 Aug 22 peter 355                                                     training_index(k),
1167 26 Feb 08 peter 356                                                     validation_index(k)));
1167 26 Feb 08 peter 357       }
4200 19 Aug 22 peter 358
1086 14 Feb 08 peter 359     }
1206 05 Mar 08 peter 360     if (!f_selector_){
1206 05 Mar 08 peter 361       if (kernel.weighted())
1206 05 Mar 08 peter 362         features_.push_back(utility::Index(kernel.data_weighted().rows()));
1206 05 Mar 08 peter 363       else
1206 05 Mar 08 peter 364         features_.push_back(utility::Index(kernel.data().rows()));
1206 05 Mar 08 peter 365     }
1086 14 Feb 08 peter 366   }
1086 14 Feb 08 peter 367
1086 14 Feb 08 peter 368
1220 11 Mar 08 peter 369   template<typename Data>
1220 11 Mar 08 peter 370   size_t SubsetGenerator<Data>::size(void) const
1072 12 Feb 08 peter 371   {
1072 12 Feb 08 peter 372     return sampler_.size();
1072 12 Feb 08 peter 373   }
1072 12 Feb 08 peter 374
1072 12 Feb 08 peter 375
1220 11 Mar 08 peter 376   template<typename Data>
1220 11 Mar 08 peter 377   const Target& SubsetGenerator<Data>::target(void) const
1072 12 Feb 08 peter 378   {
1072 12 Feb 08 peter 379     return sampler_.target();
1072 12 Feb 08 peter 380   }
1072 12 Feb 08 peter 381
1072 12 Feb 08 peter 382
1220 11 Mar 08 peter 383   template<typename Data>
1220 11 Mar 08 peter 384   const Data&
4200 19 Aug 22 peter 385   SubsetGenerator<Data>::training_data(size_t i) const
1072 12 Feb 08 peter 386   {
1072 12 Feb 08 peter 387     return *(training_data_[i]);
1072 12 Feb 08 peter 388   }
1072 12 Feb 08 peter 389
1072 12 Feb 08 peter 390
1220 11 Mar 08 peter 391   template<typename Data>
1134 23 Feb 08 peter 392   const utility::Index&
1220 11 Mar 08 peter 393   SubsetGenerator<Data>::training_features(size_t i) const
1072 12 Feb 08 peter 394   {
2210 05 Mar 10 peter 395     YAT_ASSERT(features_.size());
1072 12 Feb 08 peter 396     return f_selector_ ? features_[i] : features_[0];
1072 12 Feb 08 peter 397   }
1072 12 Feb 08 peter 398
1072 12 Feb 08 peter 399
1220 11 Mar 08 peter 400   template<typename Data>
1134 23 Feb 08 peter 401   const utility::Index&
1220 11 Mar 08 peter 402   SubsetGenerator<Data>::training_index(size_t i) const
1072 12 Feb 08 peter 403   {
1072 12 Feb 08 peter 404     return sampler_.training_index(i);
1072 12 Feb 08 peter 405   }
1072 12 Feb 08 peter 406
1072 12 Feb 08 peter 407
1220 11 Mar 08 peter 408   template<typename Data>
1072 12 Feb 08 peter 409   const Target&
1220 11 Mar 08 peter 410   SubsetGenerator<Data>::training_target(size_t i) const
1072 12 Feb 08 peter 411   {
1072 12 Feb 08 peter 412     return training_target_[i];
1072 12 Feb 08 peter 413   }
1072 12 Feb 08 peter 414
1072 12 Feb 08 peter 415
1220 11 Mar 08 peter 416   template<typename Data>
1220 11 Mar 08 peter 417   const Data&
1220 11 Mar 08 peter 418   SubsetGenerator<Data>::validation_data(size_t i) const
1072 12 Feb 08 peter 419   {
1072 12 Feb 08 peter 420     return *(validation_data_[i]);
1072 12 Feb 08 peter 421   }
1072 12 Feb 08 peter 422
1072 12 Feb 08 peter 423
1220 11 Mar 08 peter 424   template<typename Data>
1134 23 Feb 08 peter 425   const utility::Index&
1220 11 Mar 08 peter 426   SubsetGenerator<Data>::validation_index(size_t i) const
1072 12 Feb 08 peter 427   {
1072 12 Feb 08 peter 428     return sampler_.validation_index(i);
1072 12 Feb 08 peter 429   }
1072 12 Feb 08 peter 430
1072 12 Feb 08 peter 431
1220 11 Mar 08 peter 432   template<typename Data>
1072 12 Feb 08 peter 433   const Target&
1220 11 Mar 08 peter 434   SubsetGenerator<Data>::validation_target(size_t i) const
1072 12 Feb 08 peter 435   {
1072 12 Feb 08 peter 436     return validation_target_[i];
1072 12 Feb 08 peter 437   }
1072 12 Feb 08 peter 438
680 11 Oct 06 jari 439 }}} // of namespace classifier, yat, and theplu
613 30 Aug 06 markus 440
613 30 Aug 06 markus 441 #endif

Generated on Sat Oct 14 02:22:25 2023 (UTC) by svndigest 0.11.2pre (dev build 1672)