octave_packages/nnet-0.1.13/__optimizedatasets.m

   1 ## Copyright (C) 2008 Michel D. Schmid  <michaelschmid@users.sourceforge.net>
   2 ##
   3 ##
   4 ## This program is free software; you can redistribute it and/or modify it
   5 ## under the terms of the GNU General Public License as published by
   6 ## the Free Software Foundation; either version 2, or (at your option)
   7 ## any later version.
   8 ##
   9 ## This program is distributed in the hope that it will be useful, but
  10 ## WITHOUT ANY WARRANTY; without even the implied warranty of
  11 ## MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  12 ## General Public License for more details.
  13 ##
  14 ## You should have received a copy of the GNU General Public License
  15 ## along with this program; see the file COPYING.  If not, see
  16 ## <http://www.gnu.org/licenses/>.
  17
  18 ## -*- texinfo -*-
  19 ## @deftypefn {Function File} {} @var{retmatrix} = __optimizedatasets (@var{matrix},@var{nTrainSets},@var{nTargets},@var{bRand})
  20 ## @code{__optimizedatasets} reranges the data sets depending on the input arguments.
  21 ## @code{matrix} is the data set matrix containing inputs and outputs (targets) in row order.
  22 ## This means for example: the first three rows are inputs and the fourth row is an output row.
  23 ## The second argument is used in the optimizing algorithm. All cols with min and max values must
  24 ## be in the range of the train data sets. The third argument defines how much rows are equal to the
  25 ## neural network targets. These rows must be at the end of the data set!
  26 ## The fourth arguemnt is optional and defines if the data sets have to be randomised before
  27 ## optimizing.
  28 ## Default value for bRand is 1, means randomise the columns.
  29 ## @end deftypefn
  30
  31 ## Author: mds
  32
  33 function retmatrix = __optimizedatasets(matrix,nTrainSets,nTargets,bRand)
  34
  35   ## check number of inputs
  36   error(nargchk(3,4,nargin));
  37
  38   # set default values
  39   bRandomise = 1;
  40
  41   if (nargin==4)
  42     bRandomise = bRand;
  43   endif
  44
  45   # if needed, randomise the cols
  46   if (bRandomise)
  47     matrix = __randomisecols(matrix);
  48   endif
  49
  50   # analyze matrix, which row contains what kind of data?
  51   # a.) binary values? Means the row contains only 0 and 1
  52   # b.) unique values?
  53   # c.) Min values are several times contained in the row
  54   # d.) Max values are several times contained in the row
  55   matrix1 = matrix(1:end-nTargets,:);
  56   analyzeMatrix = __analyzerows(matrix1);
  57
  58   # now sort "matrix" with help of analyzeMatrix
  59   # following conditions must be kept:
  60   # a.) rows containing unique values aren't sorted!
  61   # b.) sort first rows which contains min AND max values only once
  62   # c.) sort secondly rows which contains min OR max values only once
  63   # d.) at last, sort binary data if still needed!
  64   retmatrix = __rerangecolumns(matrix,analyzeMatrix,nTrainSets);
  65
  66
  67 endfunction
  68
  69 %!shared retmatrix, matrix
  70 %! disp("testing __optimizedatasets")
  71 %! matrix = [1 2 3 2 1 2 3 0 5 4 3 2 2 2 2 2 2; \
  72 %!                       0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0; \
  73 %!                      -1 3 2 4 9 1 1 1 1 1 9 1 1 1 9 9 0; \
  74 %!                       2 3 2 3 2 2 2 2 3 3 3 3 1 1 1 1 1];
  75 %! ## The last row is equal to the neural network targets
  76 %! retmatrix = __optimizedatasets(matrix,9,1);
  77 %! ## the above statement can't be tested with assert!
  78 %! ## it contains random values! So pass a "success" message
  79 %!assert(1==1);
  80 %! matrix = [1 2 3 2 1 2 3 0 5 4 3 2 2 2 2 2 2; \
  81 %!                       0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0; \
  82 %!                      -1 3 2 4 9 1 1 1 1 1 9 1 1 1 9 9 0; \
  83 %!                       2 3 2 3 2 2 2 2 3 3 3 3 1 1 1 1 1];
  84 %! ## The last row is equal to the neural network targets
  85 %! retmatrix = __optimizedatasets(matrix,9,1,0);
  86 %!assert(retmatrix(1,1)==5);
  87 %!assert(retmatrix(2,1)==0);
  88 %!assert(retmatrix(3,1)==1);
  89 %!assert(retmatrix(4,1)==3);