one-class_classifier

Tecniche di classificazione mono-classe per problemi di medicina legale.

mltools.py

Questo modulo permette di effettuare delle Nested Cross-Validation sul dataset run-over, utilizzando diversi algoritmi: OneClassSVM, LocalOutlierFactor e IsolationForest, e utilizzando diverse tecniche per la riduzione delle dimensionalità: PCA, TruncatedSVD, FastICA e EncoderMLP (una classe per la riduzione presente nel modulo basata su un MLPRegressor).

Prerequisiti

Assicurati di avere installato Anaconda sul tuo sistema. Anaconda è una distribuzione di Python che include una serie di pacchetti scientifici e strumenti di gestione degli ambienti virtuali.

Configurazione dell'Ambiente

1. Creazione di un Ambiente Virtuale:

   Apri il terminale (o Anaconda Prompt su Windows) e crea un nuovo ambiente virtuale con Python 3.8 (o altra versione supportata):

   conda create --name nested_cv_env python=3.8
   

2. Attivazione dell'Ambiente Virtuale

   conda activate nested_cv_env
   

3. Installazione delle dipendenze

   Apri il terminale e installa le dipendenze con pip:

   pip install numpy
   pip install pandas
   pip install sklearn
   

Utilizzo del modulo

1. Importa il modulo

   Assicurati che il modulo importato sia nella tua directory di lavoro:

   from mltools import load_csv

2. Caricamento del Dataset

   Carica il dataset relativo:

   from mltools import load_csv
   
   X = load_csv(reduced=True)

3. Esecuzione della Nested Cross-Validation

   Esegui la Nested Cross-Validation specificando i parametri necessari:

   from mltools import load_csv, nested_cv_svm, get_random_seed
   from sklearn.decomposition import PCA
   
   X = load_csv(reduced=True)
   random_seed = get_random_seed()
   
   nested_cv_svm(X, random_seed, PCA, 'nested_cv_svm_pca.log', n_components=85)