Manual do SCAE - Histórico de revisão

Administrador em 19h56min de 14 de setembro de 2012

2012-09-14T19:56:48Z

Caribe: /* Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores */

2011-02-11T13:04:28Z

‎Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores

Caribe: /* Gerando Medidas de Certeza a Serem Exibidas como Saída dos Categorizadores */

2011-02-11T12:38:07Z

‎Gerando Medidas de Certeza a Serem Exibidas como Saída dos Categorizadores

Caribe: /* Gerando Medidas de Certeza a Serem Exibidas como Saída dos Categorizadores */

2011-02-11T12:28:51Z

‎Gerando Medidas de Certeza a Serem Exibidas como Saída dos Categorizadores

Caribe: /* Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores */

2011-02-11T10:45:27Z

‎Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores

Caribe: /* Gerando Medidas de Certeza a Serem Exibidas como Saída dos Categorizadores */

2011-02-11T10:41:12Z

‎Gerando Medidas de Certeza a Serem Exibidas como Saída dos Categorizadores

Claudine: /* Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores */

2011-02-03T10:35:05Z

‎Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores

Claudine: /* Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores */

2011-02-03T10:32:40Z

‎Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores

Claudine: /* Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores */

2011-02-03T10:26:03Z

‎Configuração/Validação/Teste das Estratégias de Poda de Ranking dos Categorizadores

Claudine: /* Gerando Medidas de Certeza a Serem Exibidas como Saída dos Categorizadores */

2011-02-03T10:20:11Z

‎Gerando Medidas de Certeza a Serem Exibidas como Saída dos Categorizadores

@@ Linha 1: / Linha 1: @@
 __TOC__
 ==Introdução==
 Este manual visa explicar como utilizar o SCAE, desde sua instalação e manutenção até sua utilização.

@@ Linha 755: / Linha 755: @@
 <pre>
-variation_pcut=<número inteiro>
+variation_pcut=<número inteiro>  begin_pcut=<número inteiro>   limite_pcut=<número inteiro>
 </pre>
@@ Linha 764: / Linha 762: @@
 <pre>
-variation_rcut=<número inteiro>
+variation_rcut=<número inteiro>   begin_rcut=<número inteiro>   limite_rcut=<número inteiro>
 </pre>
@@ Linha 773: / Linha 769: @@
 <pre>
-variation_rtcut=<número real>
+variation_rtcut=<número real>  begin_rtcut=<número real> limite_rtcut=<número real>
 </pre>
@@ Linha 782: / Linha 776: @@
 <pre>
-variation_scut=<número real>
+variation_scut=<número real>   begin_scut=<número real> limite_scut=<número real>
 </pre>
@@ Linha 791: / Linha 783: @@
 <pre>
-variation_prob=<número real>
+variation_prob=<número real> begin_prob=<número real> limite_prob=<número real> size_ranking=<número inteiro>
 </pre>

@@ Linha 625: / Linha 625: @@
 <font color=#0000FF>2.2)</font> Considerar os primeiros 9 dos 10 subconjuntos mencionamos no item anterior. Dividir esses 9 subconjuntos novamente em 10 subconjuntos.
-<font color=#0000FF>2.3)</font> Usar os primeiros nove subconjuntos mencionados no item anterior para a fase de treinamento e o último para a fase de  calibração. Nesta etapa, a função persist_result_core_and_classes_pertinent() adicionada no arquivo metrics.c gera o arquivo output_core.txt.
+<font color=#0000FF>2.3)</font> Usar os primeiros nove subconjuntos mencionados no item anterior para a fase de treinamento e o último para a fase de  calibração. Nesta etapa, a função persist_result_core_and_classes_pertinent() adicionada no arquivo metrics.c gera o arquivo rankings.csv.
 <font color=#0000FF>2.4)</font> Repetir esse experimento de calibração 10 vezes com subconjuntos para treinamento e calibração diferentes.
@@ Linha 632: / Linha 632: @@
 rankings.csv  gerado no segundo experimento deve ser renomeado para rankings2.csv, e assim por diante.
-<font color=#0000FF>2.6)</font> Mover todos os arquivos  rankings*.csv para o diretório DB_CORE/certainty_measure/validation_data
+<font color=#0000FF>2.6)</font> Mover todos os arquivos  rankings*.csv para o diretório DB_CORE/certainty_measure/validation_data/
 <font color=#0000FF>2.7)</font> Definir os parâmetros dos arquivos de configuração ranking_position.con  e number_bins.con no diretório DB_CORE/certainty_measure/parameters.
@@ Linha 663: / Linha 663: @@
 Neste ponto, temos todos os parâmetros para calcular a regra de ''Bayes''.
-<font color=#0000FF>3)</font> Calcular as medidas de certeza baseadas na regra de  ''Bayes''  manualmente com o auxílio de uma planilha (por exemplo Excel) para cada uma das posições do ranking k = 0,1,2, ..., (RANKING_POSITION-1), onde o valor do parâmetro RANKING_POSITION é definido no arquivo medidas_certeza/Parameters/ranking_position.con. ???
+<font color=#0000FF>3)</font> Calcular as medidas de certeza baseadas na regra de  ''Bayes''  manualmente com o auxílio de uma planilha (por exemplo Excel) para cada uma das posições do ranking k = 0,1,2, ..., (RANKING_POSITION-1), onde o valor do parâmetro RANKING_POSITION é definido no arquivo DB_CORE/certainty_measure/parameters/ranking_position.con.
 As medidas de certeza são as probabilidades p(x|y_m,k) de um categorizador automático predizer corretamente uma categoria c_i para o documento de teste d_j, considerando que ele (i) predisse c_i com grau de crença f(d_j, c_i) dentro de um intervalo y_m, m=1,2,...,n, onde n é o número de intervalos não sobrepostos e adjacentes dos valores retornados pela função f(d_j, c_i); e (ii) posicionou c_i na posição k = r(d_j, c_i) do ranking de categorias. Pela Regra de Bayes, a probabilidade p(x|y_m,k) é dada por:

@@ Linha 629: / Linha 629: @@
 <font color=#0000FF>2.4)</font> Repetir esse experimento de calibração 10 vezes com subconjuntos para treinamento e calibração diferentes.
-<font color=#0000FF>2.5)</font> Renomear os arquivos output_core.txt gerados em cada um dos 10 experimentos. O arquivo output_core.txt  gerado no primeiro experimento deve ser renomeado para output1_core.txt, o arquivo
+<font color=#0000FF>2.5)</font> Renomear os arquivos rankings.csv gerados em cada um dos 10 experimentos. O arquivo rankings*.csv  gerado no primeiro experimento deve ser renomeado para rankings1.csv, o arquivo
-output_core.txt  gerado no segundo experimento deve ser renomeado para output2_core.txt, e assim por diante.
+rankings.csv  gerado no segundo experimento deve ser renomeado para rankings2.csv, e assim por diante.
-<font color=#0000FF>2.6)</font> Mover todos os arquivos  output*_core.txt para o diretório ???
+<font color=#0000FF>2.6)</font> Mover todos os arquivos  rankings*.csv para o diretório DB_CORE/certainty_measure/validation_data
-<font color=#0000FF>2.7)</font> Definir os parâmetros dos arquivos de configuração ranking_position.con  e number_bins.con no diretório medidas_certeza/Parameters. ???
+<font color=#0000FF>2.7)</font> Definir os parâmetros dos arquivos de configuração ranking_position.con  e number_bins.con no diretório DB_CORE/certainty_measure/parameters.
 O arquivo ranking_position.con possui o seguinte parâmetro de configuração:
@@ Linha 652: / Linha 652: @@
 que especifica em quantas partições os graus de crenças estarão distribuídos para cada posição do ''ranking''.
-<font color=#0000FF>2.8)</font> Dentro do diretório calc_medidas_certeza/, executar a seguinte sequência de  comandos: ???
+<font color=#0000FF>2.8)</font> Dentro do diretório certainty_measure/, executar a seguinte sequência de  comandos:
 <pre>
 *$ make clean
 *$ make
-*$ make clean_bins ???
+*$ ./build_bins
-*$ ./generate_bins
+*$ ./compute_bayes_rule
 </pre>

@@ Linha 815: / Linha 815: @@
-# RCUT..................0
+# RCUT..............................0
-# PCUT..................1
+# PCUT..............................1
-# PCUT_ONLINE...........2
+# PCUT_ONLINE.......................2
-# RTCUT.................3
+# RTCUT.............................3
-# SCUT..................4
+# SCUT..............................4
-# SCUT_C................5
+# SCUT_C............................5
-# ASSCUT................6
+# ASSCUT............................6
-# RINSCUT...............7
+# RINSCUT...........................7
-# RINSCUT...............8
+# RINSCUT...........................8
-# ALL...................9 ???
+# MEASURE_CERTAINLYCUT..............9
 # EXACT_MATCH...................0

@@ Linha 613: / Linha 613: @@
 cd shared
 make clean
-make ???
+make -f Makefile.certainty_measure
 </pre>

@@ Linha 868: / Linha 868: @@
 Obs 1: Os passos 1 a 6 mencionados acima já foram executados para os cores WNN_COR_CORE e ML_KNN_CORE.
-Obs 2: Antes de testar os categorizadores, verificar se a estrutura de diretórios do passo 3 foi criada e  se a estratégia de poda indicada no arquivo threshold.con foi calibrada. O processo de calibração encontra o ponto de corte que maximiza o desempenho do categorizador e guarda este ponto em um arquivo dentro do diretório threshold. O ponto de corte é um número inteiro que indica uma posição no ranking, no caso da estratégia de poda rcut, e um número real que indica um grau de crença, no caso das estratégias pcut, rtcut, e scut, bcut, e pbcut.
+Obs 2: Antes de testar os categorizadores, verificar se a estrutura de diretórios do passo 3 foi criada e  se a estratégia de poda indicada no arquivo threshold.con foi calibrada. O processo de calibração encontra o ponto de corte que maximiza o desempenho do categorizador e guarda este ponto em um arquivo dentro do diretório threshold. O ponto de corte é um número inteiro que indica uma posição no ranking, no caso da estratégia de poda rcut; um número real que indica um grau de crença, no caso das estratégias pcut, rtcut, e scut; ou um número real que indica uma medida de certeza, no caso das estratégias bcut, e pbcut.
 ====Utilizando a USER_INTERFACE====

@@ Linha 866: / Linha 866: @@
 <font color=#0000FF>8)</font> Após a execução dos experimentos de treinamento e calibração, o sistema estará pronto para ser testado. Na fase de teste, o sistema irá exibir os resultados referentes às métricas de avaliação para os rankings: ordinal, modificado e ordinal com poda.
-Observação: antes de testar os categorizadores, verificar se os diretórios definidos acima existem e verificar se a estratégia de poda indicada no arquivo threshold.con está calibrada. O processo de calibração encontra o ponto de corte que maximiza o desempenho do categorizadores e guarda este ponto em um arquivo dentro do diretório threshold.
+Obs 1: Os passos 1 a 6 mencionados acima já foram executados para os cores WNN_COR_CORE e ML_KNN_CORE.
 ====Utilizando a USER_INTERFACE====

@@ Linha 689: / Linha 689: @@
 </pre>
-Note que p(y_1| x,k) está armazenada na linha 1 do arquivo prob_y_e_x_k.con, p(y_2| x,k) na linha 2 do arquivo prob_y_e_x_k.con, e assim por diante; p(x|k) na única linha do arquivo prob_y_k.con; e p(y_1|k) na linha 1 do arquivo prob_y_k.con, p(y_2|k) na linha 2 do arquivo prob_y_k.con, e assim por diante.
+Note que p(y_1| x,k) está armazenada na linha 1 do arquivo prob_y_e_x_k.con, p(y_2| x,k) na linha 2 do arquivo prob_y_e_x_k.con, e assim por diante; p(x|k) na única linha do arquivo prob_x_k.con; e p(y_1|k) na linha 1 do arquivo prob_y_k.con, p(y_2|k) na linha 2 do arquivo prob_y_k.con, e assim por diante.
 <font color=#0000FF>4)</font> As medidas de certeza geradas pela regra de ''Bayes'' para cada posição do ''ranking'' devem ser inseridas na Interface-Web do projeto SCAE.