-
Notifications
You must be signed in to change notification settings - Fork 0
/
FROBENIUS.qmd
927 lines (712 loc) · 33.5 KB
/
FROBENIUS.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
---
title: "FROBENIUS RESUMEN"
toc: true
format:
html:
embed-resources: true
editor: visual
---
```{r}
#| message: false
#| warning: false
#| echo: false
rm(list = ls())
library(GLCMTextures) # para sacar la matriz GLCM
library(imager) # para cargar las imágenes
library(tidyverse)
library(purrr)
library(tidymodels)
library(readr)
library(ggplot2)
library(corrplot)
library(performance)
library(FactoMineR)
library(factoextra)
library(ClustOfVar)
library(rpart.plot)
library(glue)
library(caret)
library(pROC)
```
## 1. Obtención de las matrices GLCM
Los pasos del código que se muestra son los siguientes:
1. Cargamos las matrices de intensidades de los píxeles.
2. Definimos la función `manual_glcm` que nos devuelve las matrices.
3. Tras obtener las matrices GLCM de cada una de las imagenes MRI las guardamos por shift.
```{r}
#| eval: false
non_demented <- read_rds(file = "./alzheimer-grey-images/non-demented.rds")
names(non_demented) <- glue::glue("non_demented_{1:length(non_demented)}")
moderate_demented <- read_rds(file = "./alzheimer-grey-images/moderate-demented.rds")
names(moderate_demented) <- glue::glue("moderate_demented_{1:length(moderate_demented)}")
very_mild_demented <- read_rds(file = "./alzheimer-grey-images/very-mild-demented.rds")
names(very_mild_demented) <- glue::glue("very_mild_demented_{1:length(very_mild_demented)}")
mild_demented <- read_rds(file = "./alzheimer-grey-images/mild-demented.rds")
names(mild_demented) <- glue::glue("mild_demented_{1:length(mild_demented)}")
# Juntamos todas
mri_grey <- list(non_demented, moderate_demented, very_mild_demented, mild_demented)
names(mri_grey) <- c("non_demented", "moderate_demented",
"very_mild_demented", "mild_demented")
# Ahorramos memoria
rm(non_demented)
rm(moderate_demented)
rm(very_mild_demented)
rm(mild_demented)
```
```{r}
#| eval: false
# Definimos funcion
manual_glcm <- function(img_matrix, shift = c(1, 0), radius = NULL,
normalize = FALSE, type = "cartesian") {
n_levels <- length(unique(as.vector(img_matrix)))
if (type == "cartesian") {
glcm_matrix <-
GLCMTextures::make_glcm(img_matrix, n_levels = 256,
shift = shift, normalize = normalize)
} else if (type == "radial") {
glcm_matrix <- matrix(0, nrow = 256, ncol = 256)
for (i in -radius:radius) {
for (j in -radius:radius) {
if (i !=0 | j != 0) {
glcm_matrix <-
glcm_matrix +
GLCMTextures::make_glcm(img_matrix, n_levels = 256,
shift = c(i, j), normalize = FALSE)
}
}
}
glcm_matrix <- glcm_matrix / 2
if (normalize) {
glcm_matrix <- glcm_matrix / sum(glcm_matrix)
}
} else {
stop("Just 'cartesian' and 'radial' values are allowed in type argument")
}
return(glcm_matrix)
}
```
```{r}
#| eval: false
# Definimos las categorías y los shifts
categories <- c("non_demented", "moderate_demented", "very_mild_demented", "mild_demented")
shifts <- list(c(1, 0), c(0, 1), c(1, 1), c(-1, 1), 1)
# Función para calcular y guardar las matrices GLCM por categoría
calcular_y_guardar_glcm <- function(category, shifts) {
cat("Processing category:", category, "\n")
# Obtener las matrices de intensidad de píxeles de la categoría
img_matrices <- mri_grey[[category]]
for (shift in shifts) {
shift_name <- if (length(shift) == 2) paste(shift, collapse = "-") else as.character(shift)
cat(" Processing shift:", shift_name, "\n")
glcm_matrices <- map(img_matrices, function(img_matrix) {
if (length(shift) == 2) {
manual_glcm(img_matrix, shift = shift, normalize = TRUE)
} else {
manual_glcm(img_matrix, radius = shift, type = "radial", normalize = TRUE)
}
})
# Guardar las matrices GLCM para el shift actual
saveRDS(glcm_matrices, file = glue("./alzheimer-glcm-matrices/{category}-glcm-{shift_name}.rds"))
}
}
# Calcular y guardar las matrices GLCM para cada categoría
walk(categories, calcular_y_guardar_glcm, shifts = shifts)
```
Lo que hago ahora es cargar cada una de las listas de matrices de cada categoría para la dirección radial y asignar a cada una de ellas la categoría correspondiente. Después creamos una lista general para la dirección radial con dos elementos:
- Demented: todas las matrices de la categoría demented con su categoría correspondiente.
- Non demented: todas las matrices de la categoría non demented con su categoría correspondiente.
Aunque se cree una lista con estas dos categorías cada elemento tendrá su categoría asociada, porque se necesitará luego para Frobenius. El crear una lista con las dos categorías dividas se hace para poder hacer la partición de los datos de train y test por categoría balanceada.
```{r}
#| eval: false
# Leer las matrices GLCM para el shift r1
glcm_non <- readRDS("./alzheimer-glcm-matrices/non_demented-glcm-1.rds")
glcm_mild <- readRDS("./alzheimer-glcm-matrices/mild_demented-glcm-1.rds")
glcm_very_mild<- readRDS("./alzheimer-glcm-matrices/very_mild_demented-glcm-1.rds")
glcm_mod <- readRDS("./alzheimer-glcm-matrices/moderate_demented-glcm-1.rds")
# Agregar la categoría a cada elemento de la lista
add_category <- function(mat_list, category) {
lapply(mat_list, function(mat) list(matrix = mat, category = category))
}
glcm_non <- add_category(glcm_non, "non_demented")
glcm_mild <- add_category(glcm_mild, "demented")
glcm_very_mild <- add_category(glcm_very_mild, "demented")
glcm_mod <- add_category(glcm_mod, "demented")
glcm_r1 <- c(glcm_non, glcm_mild, glcm_very_mild, glcm_mod)
saveRDS(glcm_r1, "./alzheimer-glcm-matrices/glcm_r1.rds")
```
```{r}
#| eval: false
# Crear una lista para almacenar las matrices GLCM, divididas por categoría
glcm_r1 <- list(
demented = list(),
non_demented = list()
)
# Leer las matrices GLCM para el shift r1 y agregar la categoría correspondiente
glcm_non <- readRDS("./alzheimer-glcm-matrices/non_demented-glcm-1.rds")
glcm_demented <- readRDS("./alzheimer-glcm-matrices/mild_demented-glcm-1.rds")
glcm_very_mild <- readRDS("./alzheimer-glcm-matrices/very_mild_demented-glcm-1.rds")
glcm_mod <- readRDS("./alzheimer-glcm-matrices/moderate_demented-glcm-1.rds")
glcm_r1$non_demented <- lapply(glcm_non, function(mat) list(matrix = mat, category = "non_demented"))
glcm_r1$demented <- lapply(c(glcm_demented, glcm_very_mild, glcm_mod), function(mat) list(matrix = mat, category = "demented"))
# Guardar la lista
saveRDS(glcm_r1, "./alzheimer-glcm-matrices/glcm_r1.rds")
rm(glcm_non, glcm_demented, glcm_mod, glcm_very_mild)
```
## 2. Frobenius con datos de prueba
En esta parte se explica como se ha construido la función del KNN de Frobenius y se prueba con algunos datos. No se hace validación cruzada en esta prueba.
Lo primero que hacemos es crear dos listas, una para cada categoría. De esta forma podemos hacer la partición en datos de entrenamiento y prueba de forma estratificada. Una vez hecha la partición unimos de nuevo las dos listas en una sola tanto para train como para test, que será con las que trabajemos.
Por ahora no se ha hecho validación cruzada. La primera prueba va a ser solo con train y test.
```{r}
glcm_r1 <- readRDS("./alzheimer-glcm-matrices/glcm_r1.rds")
```
```{r}
# Definir la proporción de datos de entrenamiento (80%)
train_ratio <- 0.8
# Dividir cada lista por categoría en datos de entrenamiento y prueba
train_data <- test_data <- list()
for (category in names(glcm_r1)) {
category_data <- glcm_r1[[category]]
n_samples <- length(category_data)
# Determinar el número de muestras para entrenamiento y prueba
n_train <- round(n_samples * train_ratio)
n_test <- n_samples - n_train
# Muestrear índices para entrenamiento y prueba
train_indexes <- sample(n_samples, n_train)
test_indexes <- setdiff(1:n_samples, train_indexes)
# Dividir los datos en entrenamiento y prueba
train_data[[category]] <- category_data[train_indexes]
test_data[[category]] <- category_data[test_indexes]
}
# Combinar los datos de entrenamiento y prueba de ambas categorías
train_data_combined <- do.call(c, train_data)
test_data_combined <- do.call(c, test_data)
rm(category_data, n_samples, n_train, n_test, train_indexes, test_indexes, train_data, test_data)
```
Una vez hemos hecho la partición, definimos la distancia de Frobenius. Luego definimos el KNN para esa distancia. Este KNN funciona según los siguientes pasos:
1. Introducimos los datos de trian, test y los valores del número de vecinos. En este caso se ha cogido un número reducido de datos y se ha hecho para k = 3 y 5.
2. Se calculan las distancias entre el nuevo punto de prueba (`test_item$matrix`) y todos los puntos de entrenamiento en `train_data`. La distancia de Frobenius se calcula entre cada par de matrices.
3. Se ordenan las distancias y se obtienen las etiquetas correspondientes a los puntos de entrenamiento más cercanos al nuevo punto de prueba. Para cada valor de k en `k_values`, se seleccionan las k etiquetas más cercanas.
4. Para cada valor de k en `k_values`, se calcula la predicción y la probabilidad de pertenecer a la clase más común entre las k etiquetas más cercanas. Se crea un marco de datos con estas predicciones, junto con el valor de k y la categoría real del punto de prueba.
```{r}
# Definir la función de distancia de Frobenius
frobenius_distance <- function(mat1, mat2) {
sqrt(sum((mat1 - mat2)^2))
}
# Función FROB_KNN actualizada para incluir la categoría real del test data
FROB_KNN <- function(train_data, test_data, k_values) {
predictions <- map_df(test_data, function(test_item) {
new_input_matrix <- test_item$matrix
distances <- map_dbl(train_data, ~ {
train_item_matrix <- .$matrix
frobenius_distance(train_item_matrix, new_input_matrix)
})
sorted_indices <- order(distances)
sorted_labels <- map_chr(train_data[sorted_indices], ~ .$category)
closest_labels <- sorted_labels[1:max(k_values)]
result <- map_df(k_values, function(k) {
labels_k <- closest_labels[1:k]
most_frequent_label <- names(which.max(table(labels_k)))
probability <- sum(labels_k == "demented") / k
data.frame(
k = k,
prediction = most_frequent_label,
probability = probability,
real_category = test_item$category
)
})
result
})
return(predictions)
}
```
```{r}
# Ejemplo de uso con datos variados
set.seed(4567) # Para reproducibilidad
random_indices <- sample(seq_along(train_data_combined), size = 16)
train_data_varied <- train_data_combined[random_indices]
test_indices <- sample(seq_along(test_data_combined), size = 4)
test_data_varied <- test_data_combined[test_indices]
# Ejecutar FROB_KNN con los datos variados y un k_value
k_values <- c(3, 5) # Puedes probar con diferentes valores de k
example_predictions <- FROB_KNN(train_data = train_data_varied, test_data = test_data_varied, k_values = k_values)
# Verificar las predicciones
print(example_predictions)
```
Una vez tenemos todas las predicciones almacenadas en un data frame calculamos la matriz de confusión para cada uno de los valores de k y calculamos por ahora las métricas: sensibilidad, especificidad y accuracy.
```{r}
#| message: false
# Función para calcular la matriz de confusión y las métricas
calculate_metrics <- function(predictions) {
# Asegurarse de que 'prediction' y 'real_category' sean factores con los mismos niveles
levels <- union(unique(predictions$prediction), unique(predictions$real_category))
predictions$prediction <- factor(predictions$prediction, levels = levels)
predictions$real_category <- factor(predictions$real_category, levels = levels)
confusion <- confusionMatrix(data = predictions$prediction, reference = predictions$real_category)
# Crear el data frame con todas las métricas
metrics <- data.frame(
sensitivity = confusion$byClass["Sensitivity"],
specificity = confusion$byClass["Specificity"],
accuracy = confusion$overall["Accuracy"],
kappa = confusion$overall["Kappa"]
)
return(metrics)
}
# Calcular AUC
# Define una función para calcular el AUC
calculate_auc <- function(predictions) {
roc_obj <- roc(ifelse(predictions$real_category == "demented", 1, 0), as.numeric(predictions$probability))
auc_value <- as.numeric(auc(roc_obj))
return(data.frame(AUC = auc_value))
}
# Calcular el AUC para cada valor de k
AUC_df <- example_predictions |>
group_by(k) |>
do(calculate_auc(.))
# Calcular las métricas para cada valor de k
metrics <- example_predictions |>
group_by(k) |>
do(calculate_metrics(.))
# Unir AUC con las métricas
metrics <- left_join(metrics, AUC_df, by = "k")
metrics
```
Hay que revisar cómo se calcula el AUC.
## 3. Frobenius con todos los datos
#### Validación cruzada
Primero hacemos validación cruzada. Probamos k = 20, 50, 100, 200 por ahora. Los siguientes chunks tienen el código para:
1. Obtener las particiones para train y test.
2. Definir la distancia de Frobenius y el KNN.
3. Definir los 5 folds y 3 repeticiones de la validación cruzada, a partir de los datos de train.
4. Definir las funciones para la extracción de métricas de bondad de ajuste (de nuevo hay que revisar AUC).
```{r}
#| eval: false
glcm_r1 <- readRDS("./alzheimer-glcm-matrices/glcm_r1.rds")
# Definir la proporción de datos de entrenamiento (80%)
train_ratio <- 0.8
# Dividir cada lista por categoría en datos de entrenamiento y prueba
train_data <- test_data <- list()
for (category in names(glcm_r1)) {
category_data <- glcm_r1[[category]]
n_samples <- length(category_data)
# Determinar el número de muestras para entrenamiento y prueba
n_train <- round(n_samples * train_ratio)
n_test <- n_samples - n_train
# Muestrear índices para entrenamiento y prueba
train_indexes <- sample(n_samples, n_train)
test_indexes <- setdiff(1:n_samples, train_indexes)
# Dividir los datos en entrenamiento y prueba
train_data[[category]] <- category_data[train_indexes]
test_data[[category]] <- category_data[test_indexes]
}
# Combinar los datos de entrenamiento y prueba de ambas categorías
train_data_combined <- do.call(c, train_data)
test_data_combined <- do.call(c, test_data)
rm(category_data, n_samples, n_train, n_test, train_indexes, test_indexes, train_data, test_data)
```
```{r}
#| eval: false
# Definir la función de distancia de Frobenius
frobenius_distance <- function(mat1, mat2) {
sqrt(sum((mat1 - mat2)^2))
}
# Función FROB_KNN actualizada para incluir la categoría real del test data
FROB_KNN <- function(train_data, test_data, k_values) {
predictions <- map_df(test_data, function(test_item) {
new_input_matrix <- test_item$matrix
distances <- map_dbl(train_data, ~ {
train_item_matrix <- .$matrix
frobenius_distance(train_item_matrix, new_input_matrix)
})
sorted_indices <- order(distances)
sorted_labels <- map_chr(train_data[sorted_indices], ~ .$category)
closest_labels <- sorted_labels[1:max(k_values)]
result <- map_df(k_values, function(k) {
labels_k <- closest_labels[1:k]
most_frequent_label <- names(which.max(table(labels_k)))
probability <- sum(labels_k == "demented") / k
data.frame(
k = k,
prediction = most_frequent_label,
probability = probability,
real_category = test_item$category,
fold = test_item$fold,
repetition = test_item$repetition
)
})
result
})
return(predictions)
}
```
```{r}
#| eval: false
k_values <- c(20, 50, 100, 200)
# Crear las particiones de validación cruzada
folds <- createMultiFolds(1:length(train_data_combined), k = 5, times = 3)
```
```{r}
#| eval: false
# Función para calcular la matriz de confusión y las métricas
calculate_metrics <- function(predictions) {
# Asegurarse de que 'prediction' y 'real_category' sean factores con los mismos niveles
levels <- union(unique(predictions$prediction), unique(predictions$real_category))
predictions$prediction <- factor(predictions$prediction, levels = levels)
predictions$real_category <- factor(predictions$real_category, levels = levels)
confusion <- confusionMatrix(data = predictions$prediction, reference = predictions$real_category)
# Crear el data frame con todas las métricas
metrics <- data.frame(
sensitivity = confusion$byClass["Sensitivity"],
specificity = confusion$byClass["Specificity"],
accuracy = confusion$overall["Accuracy"],
kappa = confusion$overall["Kappa"]
)
return(metrics)
}
# Calcular AUC
# Define una función para calcular el AUC
calculate_auc <- function(predictions) {
roc_obj <- roc(ifelse(predictions$real_category == "demented", 1, 0), as.numeric(predictions$probability))
auc_value <- as.numeric(auc(roc_obj))
return(data.frame(AUC = auc_value))
}
```
A continuación se muestra el código que se ha usado para obtener todos los resultados de la validación cruzada. El código es un poco diferente del de la prueba con datos reducidos, ya que en este caso se ha iterado por cada uno de los folds. Además en este caso no se almacenan todos los resultados de cada una de las clasificaciones, si no que se almacena directamente las métricas de cada una de las iteraciones de la validación cruzada.
Explico el código paso por paso:\
1. **Inicialización de DataFrames Vacíos**: Se crean dataframes vacíos para almacenar las métricas de la matriz de confusión y el AUC de todos los folds y repeticiones.
2. **Iteración sobre cada repetición y fold**: Se itera sobre cada fold utilizando `seq_along(folds)`, donde `folds` es una lista de índices de los datos de entrenamiento y validación.
3. **Separar datos de entrenamiento y validación para este fold**: Se separan los datos en `train_fold` y `validation_fold` basados en los índices de los folds.
4. **Añadir información del fold y repetición a los datos de validación**: Se añade información del fold (`i %% 5`) y repetición (`ceiling(i / 5)`) a los datos de validación.
5. **Imprimir mensaje sobre el fold, la repetición y el valor de k**: Se imprime un mensaje que muestra el fold actual, la repetición y los valores de k.
6. **Ejecutar FROB_KNN con los datos del fold**: Se ejecuta el clasificador FROB_KNN con los datos de entrenamiento y validación, y los valores de k especificados.
7. **Calcular las métricas de la matriz de confusión para las predicciones del fold**: Se calculan las métricas de la matriz de confusión agrupando por el valor de k utilizando la función `calculate_metrics`.
8. **Añadir información de fold y repetición a las métricas de la matriz de confusión**: Se añade la información del fold y la repetición a las métricas de la matriz de confusión.
9. **Calcular el AUC para las predicciones del fold**: Se calcula el AUC para las predicciones agrupando por el valor de k utilizando la función `calculate_auc`.
10. **Añadir información de fold y repetición al AUC**: Se añade la información del fold y la repetición al AUC.
11. **Convertir `metrics_auc` a dataframe**: Se convierte `metrics_auc` a un tibble y se asegura de que el AUC sea de tipo `double`.
12. **Agregar las métricas calculadas al dataframe general**: Se agregan las métricas calculadas para la matriz de confusión y el AUC a los dataframes generales.
```{r}
#| eval: false
# Inicializar dataframes vacíos para almacenar las métricas de la matriz de confusión y el AUC
all_metrics_confusion <- data.frame()
all_metrics_auc <- data.frame()
# Iterar sobre cada repetición y fold
for (i in seq_along(folds)) {
fold_indices <- folds[[i]]
# Separar datos de entrenamiento y validación para este fold
train_fold <- train_data_combined[fold_indices]
validation_fold <- train_data_combined[-fold_indices]
# Añadir información del fold y repetición a los datos de validación
validation_fold <- map(validation_fold, ~ c(.x, list(fold = i %% 5, repetition = ceiling(i / 5))))
# Imprimir mensaje sobre el fold, la repetición y el valor de k
cat("Fold:", i %% 5, "Repetición:", ceiling(i / 5), "k:", k_values, "\n")
# Ejecutar FROB_KNN con los datos del fold
example_predictions <- FROB_KNN(train_data = train_fold, test_data = validation_fold, k_values)
# Calcular las métricas de la matriz de confusión para las predicciones del fold
metrics_confusion <- example_predictions |>
group_by(k) |>
do(calculate_metrics(.))
# Añadir información de fold y repetición a las métricas de la matriz de confusión
metrics_confusion$fold <- rep(i %% 5, nrow(metrics_confusion))
metrics_confusion$repetition <- rep(ceiling(i / 5), nrow(metrics_confusion))
# Calcular el AUC para las predicciones del fold
metrics_auc <- example_predictions |>
group_by(k) |>
do(calculate_auc(.))
# Añadir información de fold y repetición al AUC
metrics_auc$fold <- rep(i %% 5, nrow(metrics_auc))
metrics_auc$repetition <- rep(ceiling(i / 5), nrow(metrics_auc))
# Convertir metrics_auc a dataframe para que tenga el mismo formato que metrics_confusion
metrics_auc <- as_tibble(metrics_auc) |>
mutate(AUC = as.double(AUC))
# Agregar las métricas de la matriz de confusión y el AUC calculadas al dataframe general
all_metrics_confusion <- bind_rows(all_metrics_confusion, metrics_confusion)
all_metrics_auc <- bind_rows(all_metrics_auc, metrics_auc)
}
# Verificar las primeras filas de los dataframes de métricas para comprobar la información de fold y repetición
head(all_metrics_confusion)
head(all_metrics_auc)
```
```{r}
#| eval: false
metrics_KNN_glcm <- list(all_metrics_confusion_saved = all_metrics_confusion,
all_metrics_auc_saved = all_metrics_auc)
save(metrics_KNN_glcm, file = "./metricas/metrics_KNN_glcm.RData")
```
A continuación lo que hago es calcular las medias de las métricas de validación por cada uno de los valores de k para ver cuál es la que mayor accuracy tiene.
```{r}
load("./metricas/metrics_KNN_glcm.RData")
all_metrics_confusion <- metrics_KNN_glcm$all_metrics_confusion_saved
all_metrics_auc <- metrics_KNN_glcm$all_metrics_auc_saved
all_metrics <- left_join(all_metrics_confusion, all_metrics_auc, by = c("k", "fold", "repetition"))
# Calcular la media de cada métrica agrupada por k
mean_metrics <- all_metrics |>
group_by(k) |>
summarize(
mean_sensitivity = mean(sensitivity),
mean_specificity = mean(specificity),
mean_accuracy = mean(accuracy),
mean_kappa = mean(kappa),
mean_AUC = mean(AUC)
) |>
ungroup() |>
arrange(desc(mean_accuracy))
# Ver las medias de las métricas ordenadas
head(mean_metrics)
```
Parece que la mejor opción es la de k = 50.
Hacemos los boxplots de los mejores modelos, solamente hay 4 modelos diferentes porque hay no hay combinaciones de distancias y ponderaciones, solamente tenemos 4 k diferentes.
```{r}
colores <- c("#BC8F8F","#5F9EA0", "#8B0000", "#A188A6")
```
```{r}
# ordenar los modelos por media de accuracy
best_model_metrics <- all_metrics |>
mutate(model = factor(k, levels = mean_metrics$k))
# Crear el gráfico con ggplot2
ggplot(best_model_metrics, aes(x = model, y = accuracy, fill = model, color = model)) +
geom_boxplot(alpha = 0.5, width = 0.2, size = 1, outlier.shape = NA) +
gghalves::geom_half_point(side = "l", range_scale = .3, alpha = 0.5, size = 1) +
theme_minimal() +
labs(y = "Accuracy", x = "Valores de k") +
scale_fill_manual(values = colores) +
scale_color_manual(values = colores) +
theme(axis.text.x = element_text(angle = 90), legend.position = "none") +
labs(title = "Los modelos de validación cruzada KNN Frobenius", subtitle = "obtenidos a partir del dataset glcm radial")
```
```{r}
best_model_metrics <- all_metrics |>
filter(k == "50") |>
select(sensitivity, specificity, accuracy, kappa, AUC) |>
pivot_longer(cols = everything(),names_to = "metric", values_to = "estimate")
colores_box <- c( "#59546C", "#D2B48C", "#BC8F8F", "#5F9EA0", "#CD5C5C")
ggplot(best_model_metrics, aes(x = metric, y = estimate, fill = metric, color = metric)) +
geom_boxplot(alpha = 0.4, width = 0.65, size = 0.7,
outlier.shape = NA) +
geom_jitter(alpha = 0.8, size = 1.5) +
scale_fill_manual(values = colores_box) +
scale_color_manual(values = colores_box) +
theme_minimal() +
theme(legend.position = "none") +
theme(legend.position = "none") +
labs(title = "Métricas de Validación del Mejor Modelo KNN Frobenius para glcm radial",
subtitle = "Modelo k = 50",
x = "Métrica",
y = "Valor",
fill = "Métrica")
# Calcular la media y el error estándar de cada métrica
metrics_summary <- all_metrics |>
filter(k == "50") |>
summarize(
sensitivity_mean = mean(sensitivity),
sensitivity_se = sd(sensitivity) / sqrt(n()),
specificity_mean = mean(specificity),
specificity_se = sd(specificity) / sqrt(n()),
accuracy_mean = mean(accuracy),
accuracy_se = sd(accuracy) / sqrt(n()),
kappa_mean = mean(kappa),
kappa_se = sd(kappa) / sqrt(n()),
AUC_mean = mean(AUC),
AUC_se = sd(AUC) / sqrt(n())
)
# results_val
metrics_val <- metrics_summary |>
pivot_longer(cols = everything(), names_to = c(".metric", ".value"), names_sep = "_") |>
rename(mean = mean, std_err = se)
```
#### Resultados de la clasificación
Con k = 50 que es el mejor modelo de la validación cruzada. Ahora sí usamos el mismo código de la prueba del principio pero para todos los datos y para k = 50.
- Para test
```{r}
#| eval: false
glcm_r1 <- readRDS("./alzheimer-glcm-matrices/glcm_r1.rds")
```
```{r}
#| eval: false
# Definir la proporción de datos de entrenamiento (80%)
train_ratio <- 0.8
# Dividir cada lista por categoría en datos de entrenamiento y prueba
train_data <- test_data <- list()
for (category in names(glcm_r1)) {
category_data <- glcm_r1[[category]]
n_samples <- length(category_data)
# Determinar el número de muestras para entrenamiento y prueba
n_train <- round(n_samples * train_ratio)
n_test <- n_samples - n_train
# Muestrear índices para entrenamiento y prueba
train_indexes <- sample(n_samples, n_train)
test_indexes <- setdiff(1:n_samples, train_indexes)
# Dividir los datos en entrenamiento y prueba
train_data[[category]] <- category_data[train_indexes]
test_data[[category]] <- category_data[test_indexes]
}
# Combinar los datos de entrenamiento y prueba de ambas categorías
train_data_combined <- do.call(c, train_data)
test_data_combined <- do.call(c, test_data)
rm(category_data, n_samples, n_train, n_test, train_indexes, test_indexes, train_data, test_data)
```
```{r}
#| eval: false
# Definir la función de distancia de Frobenius
frobenius_distance <- function(mat1, mat2) {
sqrt(sum((mat1 - mat2)^2))
}
# Función FROB_KNN actualizada para incluir la categoría real del test data
FROB_KNN <- function(train_data, test_data, k_values) {
predictions <- map_df(test_data, function(test_item) {
new_input_matrix <- test_item$matrix
distances <- map_dbl(train_data, ~ {
train_item_matrix <- .$matrix
frobenius_distance(train_item_matrix, new_input_matrix)
})
sorted_indices <- order(distances)
sorted_labels <- map_chr(train_data[sorted_indices], ~ .$category)
closest_labels <- sorted_labels[1:max(k_values)]
result <- map_df(k_values, function(k) {
labels_k <- closest_labels[1:k]
most_frequent_label <- names(which.max(table(labels_k)))
probability <- sum(labels_k == "demented") / k
data.frame(
k = k,
prediction = most_frequent_label,
probability = probability,
real_category = test_item$category
)
})
result
})
return(predictions)
}
# Ejecutar FROB_KNN con los datos variados y un k_value
k_values <- 50 # Puedes probar con diferentes valores de k
example_predictions <- FROB_KNN(train_data = train_data_combined, test_data = test_data_combined, k_values = k_values)
# Verificar las predicciones
print(example_predictions)
```
```{r}
#| eval: false
# Función para calcular la matriz de confusión y las métricas
calculate_metrics <- function(predictions) {
# Asegurarse de que 'prediction' y 'real_category' sean factores con los mismos niveles
levels <- union(unique(predictions$prediction), unique(predictions$real_category))
predictions$prediction <- factor(predictions$prediction, levels = levels)
predictions$real_category <- factor(predictions$real_category, levels = levels)
confusion <- confusionMatrix(data = predictions$prediction, reference = predictions$real_category)
# Crear el data frame con todas las métricas
metrics <- data.frame(
sensitivity = confusion$byClass["Sensitivity"],
specificity = confusion$byClass["Specificity"],
accuracy = confusion$overall["Accuracy"],
kappa = confusion$overall["Kappa"]
)
return(metrics)
}
# Calcular AUC
# Define una función para calcular el AUC
calculate_auc <- function(predictions) {
roc_obj <- roc(ifelse(predictions$real_category == "demented", 1, 0), as.numeric(predictions$probability))
auc_value <- as.numeric(auc(roc_obj))
return(data.frame(AUC = auc_value))
}
# Calcular el AUC para cada valor de k
AUC_df <- example_predictions |>
group_by(k) |>
do(calculate_auc(.))
# Calcular las métricas para cada valor de k
metrics <- example_predictions |>
group_by(k) |>
do(calculate_metrics(.))
# Unir AUC con las métricas
metrics_test <- left_join(metrics, AUC_df, by = "k")
```
- Para train:
```{r}
#| eval: false
# Ejecutar FROB_KNN con los datos variados y un k_value
k_values <- 50
example_predictions_train <- FROB_KNN(train_data = train_data_combined, test_data = train_data_combined, k_values = k_values)
# Verificar las predicciones
print(example_predictions)
```
```{r}
#| eval: false
# Calcular el AUC para cada valor de k
AUC_df <- example_predictions |>
group_by(k) |>
do(calculate_auc(.))
# Calcular las métricas para cada valor de k
metrics <- example_predictions |>
group_by(k) |>
do(calculate_metrics(.))
# Unir AUC con las métricas
metrics_train <- left_join(metrics, AUC_df, by = "k")
```
```{r}
#| eval: false
# Guardar resultados
# Crear una lista para almacenar los datos
results_KNN_frob <- list(
metrics_train_saved = metrics_train,
metrics_test_saved = metrics_test,
metrics_val_saved = metrics_val
)
# Guardar los resultados en un archivo .rdata
save(results_KNN_frob, file = "./metricas/results_KNN_frob.RData")
```
Calculo las curvas ROC:
```{r}
roc_KNN_frob <- list(
example_predictions_saved = example_predictions,
example_predictions_train_saved = example_predictions_train
)
# Guardar los resultados en un archivo .rdata
save(roc_KNN_frob, file = "./metricas/roc_KNN_frob.RData")
```
```{r}
load("./metricas/roc_KNN_frob.RData")
example_predictions <- roc_KNN_frob$example_predictions_saved
# Calcular la curva ROC
roc_obj_test <- roc(ifelse(example_predictions$real_category == "demented", 1, 0), as.numeric(example_predictions$probability))
roc_obj_train <- roc(ifelse(example_predictions_train$real_category == "demented", 1, 0), as.numeric(example_predictions_train$probability))
# Visualizar la curva ROC
plot(roc_obj, legacy.axes = TRUE)
plot(roc_obj_train, col = "black", legacy.axes = TRUE)
plot(roc_obj_test, add = TRUE, col = "red", legacy.axes = TRUE)
legend("bottomright", legend = c("Train", "Test"), col = c("black", "red"), lwd = 2)
```
Muestro los resultados de cada uno de ellos:
```{r}
load("./metricas/results_KNN_frob.RData")
metrics_train <- results_KNN_frob$metrics_train_saved
metrics_test <- results_KNN_frob$metrics_test_saved
metrics_val <- results_KNN_frob$metrics_val_saved
train <- metrics_train |>
ungroup() |>
rename(auc = AUC, sens = sensitivity, spec = specificity, kap = kappa) |>
mutate(datos = "train") |>
select(datos, accuracy, auc, sens, spec, kap)
test <- metrics_test |>
ungroup() |>
rename(auc = AUC, sens = sensitivity, spec = specificity, kap = kappa) |>
mutate(datos = "test") |>
select(datos, accuracy, auc, sens, spec, kap)
val <- metrics_val |>
select(-std_err) |>
pivot_wider(names_from = .metric, values_from = mean) |>
rename(auc = AUC, sens = sensitivity, spec = specificity, kap = kappa) |>
mutate(datos = "validación") |>
select(datos, accuracy, auc, sens, spec, kap)
val_std <- metrics_val |>
select(-mean) |>
pivot_wider(names_from = .metric, values_from = std_err) |>
rename(auc = AUC, sens = sensitivity, spec = specificity, kap = kappa) |>
mutate(datos = "std error") |>
select(datos, accuracy, auc, sens, spec, kap)
# Convertir la columna auc a <double> en todos los data frames
val <- val |> mutate(auc = as.double(auc))
val_std <- val_std |> mutate(auc = as.double(auc))
train <- train |> mutate(auc = as.double(auc))
test <- test |> mutate(auc = as.double(auc))
tabla_final <- bind_rows(val, val_std, train, test) |>
mutate(across(accuracy:kap, ~ round(.x, 3)))
tabla_final
```