diff --git a/DevEfficace/rapport.md b/DevEfficace/rapport.md
new file mode 100644
index 0000000000000000000000000000000000000000..57e2c8bb503e8153ea05fd21d650bed7563c12c6
--- /dev/null
+++ b/DevEfficace/rapport.md
@@ -0,0 +1,129 @@
+# Algorithme K-NN - Rapport R3.02 (EN COURS - NON RELU)
+
+### Groupe H-4
+
+- [MENNECART Matias](mailto:matias.mennecart.etu@univ-lille.fr)
+- [DEBUYSER Hugo](mailto:hugo.debuyser.etu@univ-lille.fr)
+- [ANTOINE Maxence](mailto:maxence.antoine.etu@univ-lille.fr)
+- [DEKEISER Matisse](mailto:matisse.dekeiser.etu@univ-lille.fr)
+- [DESMONS Hugo](mailto:hugo.desmons.etu@univ-lille.fr)
+
+
+---
+
+## Implémentation de K-NN
+
+*Une description de votre implémentation de l’algorithme k-NN : classe implémentant l’algorithme, méthode(s) de cette classe implémentant le calcul de la distance, traitement de la normalisation, méthode(s) de cette classe implémentant la classification, méthode(s) évaluant la robustesse. N’hésitez
+pas à mettre en avant l’efficacité de ces méthodes (approprié pour un grand volume de données, normalisation
+efficace des distances).*
+
+Nous avons implémenté l'algorithme K-NN dans une classe MethodKNN. Nous avons choisis d'utiliser des methodes statiques pour faciliter l'utilisation de cette algorithme.
+Cette classe contient 5 methodes permettant d'implementer l'algorithme K-NN et ses differentes fonctionnalités.
+
+> public static void updateModel(List<LoadableData> datas)
+
+Cette premiere methode permet de mettre a jour les données de l'algorithme. Ainsi il faut passer en parametre les données sur lesquelles ont souhaite travailler.
+Cette methode va calculer les valeurs max et min ainsi que l'amplitude de chaque attribue des données passé en parametre.
+Cette methode necessite 2 parcours, 1 sur les données, puis un sur les min et les max de chaque attribue pour calculer l'amplitude. Il est donc conseillé de n'utiliser cette methode qu'une fois par jeu de données (toute facon le resultat serait le meme)
+C'est pour cela que cette methode n'est pas directement appelé dans les methodes ci-dessous mais qu'elle doit explicitement être appelé aupparavant.
+
+> public static List<LoadableData> kVoisins(List<LoadableData> datas, LoadableData data, int k, Distance distance)
+
+Cette methode a pour objectif de recupéré les k voisins les plus proches d'un donnée parmis un jeu de données et selon une distance.
+Elle prends donc en parametre le jeu de données, la données pour laquelle on souhaite obtenir les voisins, le nombre de voisins souhaités ainsi que la distance avec laquelle les calculs doivent etres effectués.
+Cette methode n'effectue qu'un seul parcours de boucle et calcul pour chacune des données sa distance avec la donnée passée en parametre. Les calculs de distance sont definis dans l'objet implémentant l'interface Distance passé en parametre.
+Si il s'agit d'une distance normalisée la normalisation s'effectue au moment de la recherche des voisins.
+
+>public static double robustesse(List<LoadableData> datas, int k, Distance distance, double testPart)
+
+
+Cette methode a pour objectif d'évaluer la robustesse de l'algorithme sur un jeu de donné avec un K donné et une distance donnée. Elle prends en parametre le jeu de données sur lequel effectué l'evalutation,
+le k a tester, la distance a utiliser ainsi que un pourcentage correspondant a la partie des données qui sera utilisé afin de tester les données. Ex avec testPart=0.2, 80% des données serviront de données de reférence et 20% seront utilisé pour tester la
+validité de l'algorithme. Cette effectue une validation croisée (Voir #Validation Croisée)
+
+
+> public static int bestK(List<LoadableData> datas, Distance distance)
+
+Cette methode a pour objectif de rechercher le meilleur K possible pour un jeu de données et une distance données.
+Elle va tester la totalité des K impair compris entre 1 et racine caré du nombre de données. Cette valeur max permet d'eviter que le K choisit soit trop grand et
+fausse les résultats. Elle test donc la robustesse de chaque K et renvoie le K ayant la meilleure robustesse. Cette methode parcours le jeu de donnée Kmax*(1/testPart) fois, ou testPart correspond au pourcentage des données utilisé comme valeurs de test.
+
+
+---
+
+## Validation croisée
+
+
+#### Rappel de la methode de validation croisée
+
+La validation croisée est une méthode d'évaluation utilisée pour mesurer la performance d'un modèle en le testant sur des données qu'il n'a pas utilisées pour l'entraînement. Dans ce cas précis :
+
+Les données sont divisées en plusieurs parties égales (appelées folds ou partitions).
+À chaque itération, une des partitions est utilisée comme jeu de test, tandis que les autres servent pour l'entraînement.
+Les résultats des tests sont cumulés pour calculer un score global.
+Cette méthode permet de minimiser le biais d'évaluation en utilisant toutes les données tour à tour pour l'entraînement et le test.
+
+#### Implémentation de la validation croisée
+
+
+La méthode effectue une validation croisée en divisant les données en plusieurs partitions. À chaque itération :
+
+Une partie des données sert de jeu de test.
+Le reste des données sert de jeu d'entraînement.
+
+Voici les étapes principales :
+
+- Calcul du nombre d'itérations :
+Le nombre d'itérations est déterminé par
+1/testPart. Par exemple, si testPart = 0.1, la méthode effectue 10 itérations, si testPart = 0.2, la méthode effectue 5 iterations, etc.
+
+- Division des données :
+Pour chaque itération i, une sous-liste correspondant au pourcentage testPart (par exemple, 10 % des données) est extraite et utilisée comme jeu de test (testData).
+Le reste des données sert de jeu d'entraînement (trainingData).
+
+- Estimation des classes :
+Chaque élément du jeu de test est classé à l’aide de la fonction MethodKNN.estimateClass(trainingData, l, k, distance) où trainingData correspond au reste des données.
+Si la classe prédite correspond à la classe réelle (retournée par l.getClassification()), un compteur (totalFind) est incrémenté.
+
+- Calcul du taux de réussite :
+Après chaque itération, le taux de réussite est calculé totalFind/totalTry et ajouté à la variable taux.
+- Renvoie du taux total moyen de reussite: Enfin, on divise la variable taux par le nombre d'itération afin d'obtenir un taux de reussite moyen.
+---
+
+## Choix du meilleur K
+
+
+Pour obtenir le meilleur K, on appel la methode bestK(List<LoadableData> datas, Distance distance) decrite plus haut. On obtient un K optimal, puis on appel la methode robustesse(...) avec le k trouvé plutot comme parametre.
+
+En appliquant cette methode voici les resultats que nous avons obtenue avec:
+
+##### Iris
+
+
+
+| Distance \ K | 1 | 3 | 5 | 7 | 9 | 11 | K choisit |
+|---------------------------------|-------|-------|-------|-------|-------|-------|----|
+| Distance Euclidienne | 0.96 | 0.966 | 0.96 | 0.98 | 0.98 | 0.98 | 5 |
+| Distance Euclidienne Normalisée | 0.946 | 0.946 | 0.96 | 0.96 | 0.96 | 0.96 | 7 |
+| Distance Manhattan | 0.953 | 0.946 | 0.946 | 0.96 | 0.96 | 0.953 | 7 |
+| Distance Manhattan Normalisée | 0.946 | 0.96 | 0.946 | 0.953 | 0.953 | 0.953 | 3 |
+
+On obtient donc un taux de reussiste plutôt élevé. A chaque fois l'algorithme choisit le K avec le plus haut taux de reussite. En cas d'égalité, il choisit le plus petit K parmis les égalités.
+
+##### Pokemon
+
+| Distance \ K | 1 | 3 | 5 | 7 | 9 | 11 | 13 | 15 | 17 | 19 | 21 | K choisit |
+|---------------------------------|-------|-------|-------|-------|-------|-------|----|----|----|----|----|----|
+| Distance Euclidienne | 0.243 | 0.229 | 0.239 | 0.235 | 0.247 | 0.251 | 0.237 | 0.225 | 0.215 | 0.205 | 0.2 | 11 |
+| Distance Euclidienne Normalisée | 0.211 | 0.229 | 0.251 | 0.245 | 0.245 | 0.239 | 0.245 | 0.243 | 0.237 | 0.239 | 0.225 | 5 |
+| Distance Manhattan | 0.231 | 0.235 | 0.239 | 0.239 | 0.241 | 0.239 | 0.237 | 0.235 | 0.233 | 0.207 | 0.201 | 9 |
+| Distance Manhattan Normalisée | 0.178 | 0.188 | 0.2 | 0.215 | 0.205 | 0.203 | 0.194 | 0.190 | 0.184 | 0.180 | 0.190 | 7 |
+---
+
+ajoyter un commentaire sur les resultats
+
+## Efficacité
+
+Comme expliqué pour chaque methode dans la partie Implementation de l'algorithme, nous avons chercher a minimiser le nombre de parcours du fichier de données et plus generalement le nombre de boucle.
+L'algorithme necessite une List qui sera donnée en parametre, il est donc libre a la personne qui l'utilise de fournir l'implementation de List qu'il souhaite. De plus, pour le calcul des parametres du jeu de données (
+amplitude,valeur minimale, valeur maximal) nous avons utiliser un tableau de double afin de limiter les performances
\ No newline at end of file
diff --git a/res/data/error_iris.csv b/res/data/error_iris.csv
new file mode 100644
index 0000000000000000000000000000000000000000..350d1471cdab74a6393233a8413ab6bd45cc5cb7
--- /dev/null
+++ b/res/data/error_iris.csv
@@ -0,0 +1,6 @@
+"sepal.length","sepal.width","petal.length","petal.width","variety"
+"abc","xyz","pqr","uvw","Setosa"
+"def","lmn","stu","ijk","Setosa"
+"ghi","opq","vwx","rst","Setosa"
+"jkl","mno","yza","bcd","Setosa"
+"qrs","tuv","efg","hij","Setosa"
\ No newline at end of file
diff --git a/res/stages/data-view-stage.fxml b/res/stages/data-view-stage.fxml
index 315cb877303a7d975b4ac5cf5e19bf23b8e212bf..9f17a8fd5c75ee133bb950bbb475f88f00c6548f 100644
--- a/res/stages/data-view-stage.fxml
+++ b/res/stages/data-view-stage.fxml
@@ -1,30 +1,36 @@
<?xml version="1.0" encoding="UTF-8"?>
-<?import javafx.geometry.*?>
-<?import javafx.scene.*?>
-<?import javafx.scene.chart.*?>
-<?import javafx.scene.control.*?>
-<?import javafx.scene.image.*?>
-<?import javafx.scene.layout.*?>
-<?import javafx.scene.text.*?>
-<?import javafx.stage.*?>
+<?import javafx.geometry.Insets?>
+<?import javafx.scene.Scene?>
+<?import javafx.scene.chart.NumberAxis?>
+<?import javafx.scene.chart.ScatterChart?>
+<?import javafx.scene.control.Button?>
+<?import javafx.scene.control.Label?>
+<?import javafx.scene.control.ListView?>
+<?import javafx.scene.image.Image?>
+<?import javafx.scene.image.ImageView?>
+<?import javafx.scene.layout.AnchorPane?>
+<?import javafx.scene.layout.HBox?>
+<?import javafx.scene.layout.VBox?>
+<?import javafx.scene.text.Font?>
+<?import javafx.stage.Stage?>
-<Stage fx:id="stage" xmlns="http://javafx.com/javafx/17.0.12" xmlns:fx="http://javafx.com/fxml/1" fx:controller="fr.univlille.sae.classification.controller.DataStageController">
+<Stage fx:id="stage" xmlns="http://javafx.com/javafx/21" xmlns:fx="http://javafx.com/fxml/1" fx:controller="fr.univlille.sae.classification.controller.DataStageController">
<scene>
<Scene>
<AnchorPane prefHeight="502.0" prefWidth="999.0">
<children>
- <VBox prefHeight="513.0" prefWidth="999.0">
+ <VBox prefHeight="562.0" prefWidth="999.0">
<children>
<Label alignment="CENTER" prefHeight="52.0" prefWidth="999.0" style="-fx-background-color: #105561;" text="Vue de classification de données" textFill="WHITE">
<font>
<Font name="System Bold" size="20.0" />
</font></Label>
- <HBox prefHeight="463.0" prefWidth="999.0">
+ <HBox prefHeight="511.0" prefWidth="999.0">
<children>
<VBox prefHeight="459.0" prefWidth="762.0">
<children>
- <HBox alignment="TOP_CENTER" prefHeight="462.0" prefWidth="762.0" spacing="5.0">
+ <HBox alignment="TOP_CENTER" prefHeight="462.0" prefWidth="760.0" spacing="5.0">
<children>
<AnchorPane prefHeight="509.0" prefWidth="688.0">
<children>
@@ -60,6 +66,18 @@
</Button>
</children>
</HBox>
+ <VBox prefHeight="65.0" prefWidth="801.0">
+ <children>
+ <HBox fx:id="legend" alignment="CENTER" prefHeight="58.0" prefWidth="762.0" spacing="10.0">
+ <opaqueInsets>
+ <Insets />
+ </opaqueInsets>
+ <padding>
+ <Insets left="2.0" right="2.0" />
+ </padding>
+ </HBox>
+ </children>
+ </VBox>
</children>
</VBox>
<VBox prefHeight="470.0" prefWidth="238.0">
diff --git a/res/stages/main-stage.fxml b/res/stages/main-stage.fxml
index e867ac83924ee95ffef3b2b01e4cf2d69183734f..c2f1a365d2da7440bf55d75c78c8c07b4d89f91c 100644
--- a/res/stages/main-stage.fxml
+++ b/res/stages/main-stage.fxml
@@ -9,7 +9,7 @@
<?import javafx.scene.text.*?>
<?import javafx.stage.*?>
-<Stage fx:id="stage" xmlns="http://javafx.com/javafx/17.0.12" xmlns:fx="http://javafx.com/fxml/1" fx:controller="fr.univlille.sae.classification.controller.MainStageController">
+<Stage fx:id="stage" xmlns="http://javafx.com/javafx/17.0.2-ea" xmlns:fx="http://javafx.com/fxml/1" fx:controller="fr.univlille.sae.classification.controller.MainStageController">
<scene>
<Scene>
<AnchorPane prefHeight="535.0" prefWidth="922.0">
@@ -37,12 +37,19 @@
<NumberAxis fx:id="ordAxe" prefHeight="354.0" prefWidth="54.0" side="LEFT" stylesheets="@../css/style.css" />
</yAxis>
</ScatterChart>
- <Label fx:id="AxesSelected" alignment="CENTER" layoutX="73.0" layoutY="152.0" prefHeight="38.0" prefWidth="600.0">
+ <Label fx:id="AxesSelected" alignment="CENTER" layoutX="-2.0" layoutY="3.0" prefHeight="380.0" prefWidth="682.0">
<font>
<Font size="21.0" />
</font>
</Label>
- <VBox layoutY="345.0" prefHeight="78.0" prefWidth="678.0" />
+ <VBox layoutY="345.0" prefHeight="78.0" prefWidth="678.0">
+ <children>
+ <HBox fx:id="legend" alignment="CENTER" prefHeight="100.0" prefWidth="200.0" spacing="10.0">
+ <padding>
+ <Insets left="2.0" right="2.0" />
+ </padding>
+ </HBox>
+ </children></VBox>
</children>
<HBox.margin>
<Insets left="10.0" />
diff --git a/src/main/java/fr/univlille/sae/classification/controller/AddDataController.java b/src/main/java/fr/univlille/sae/classification/controller/AddDataController.java
index 21c7e41752c372ff4c8c1e47add3812f136d0e00..9a220bdf4e1c24f8db37dad2a63785c1c25873de 100644
--- a/src/main/java/fr/univlille/sae/classification/controller/AddDataController.java
+++ b/src/main/java/fr/univlille/sae/classification/controller/AddDataController.java
@@ -90,6 +90,7 @@ public class AddDataController {
else if (attrValue instanceof Boolean) {
ChoiceBox<String> choiceBox = new ChoiceBox<>();
choiceBox.getItems().addAll("VRAI", "FAUX");
+ choiceBox.setValue("VRAI");
hbox.getChildren().add(choiceBox);
components.add(choiceBox);
}
@@ -124,6 +125,7 @@ public class AddDataController {
return null;
}).toArray();
+ System.out.println(Arrays.toString(values));
ClassificationModel.getClassificationModel().ajouterDonnee(values);
}catch (IllegalArgumentException e){
Alert alert = new Alert(Alert.AlertType.ERROR);
diff --git a/src/main/java/fr/univlille/sae/classification/controller/DataStageController.java b/src/main/java/fr/univlille/sae/classification/controller/DataStageController.java
index 94c7e97cc0273ca8d7e2ea6367e0e7cc9554a1f3..edc1926630b2d6e48ec257ef103af2249d61d715 100644
--- a/src/main/java/fr/univlille/sae/classification/controller/DataStageController.java
+++ b/src/main/java/fr/univlille/sae/classification/controller/DataStageController.java
@@ -15,152 +15,43 @@ import java.io.IOException;
/**
* Controlleur pour le FXML data-view-stage, pour gérer la vue supplémentaire
*/
-public class DataStageController {
+public class DataStageController extends DataVisualizationController{
@FXML
Stage stage;
- @FXML
- ScatterChart scatterChart;
- @FXML
- Label AxesSelected;
+
@FXML
ListView PointInfo;
- /**
- * DataStageView associé au controlleur
- */
- private DataStageView dataStageView;
- private double initialX;
- private double initialY;
- private double initialLowerBoundX;
- private double initialUpperBoundX;
- private double initialLowerBoundY;
- private double initialUpperBoundY;
+
public void initialize() {
setupZoom();
setupDrag();
}
- /**
- * Ouvrir les paramètres des axes de la vue
- */
- public void openAxesSetting(){
- AxesSettingsView axesSettingsView = new AxesSettingsView(ClassificationModel.getClassificationModel(), stage, dataStageView);
- axesSettingsView.show();
- }
+
/**
* Associe la dataStageView associer à la classe
* @param dataStageView
*/
public void setDataStageView (DataStageView dataStageView) {
- this.dataStageView = dataStageView;
+ this.view = dataStageView;
}
- /**
- * Renvoie la grille associé à la classe
- * @return grille de la classe
- */
- public ScatterChart getScatterChart() {
- return this.scatterChart;
- }
- /**
- * Attribut une valeur à l'axe de la grille
- * @param texte Valeur de l'axe
- */
- public void setAxesSelected(String texte) {
- this.AxesSelected.setText(texte);
- }
- public void setAxesSelectedDisable(){
- this.AxesSelected.setDisable(true);
- }
+
public ListView getPointInfo(){
return this.PointInfo;
};
- private void setupZoom() {
- NumberAxis xAxis = (NumberAxis) scatterChart.getXAxis();
- NumberAxis yAxis = (NumberAxis) scatterChart.getYAxis();
-
- scatterChart.setOnScroll(event -> {
- xAxis.setAutoRanging(false);
- yAxis.setAutoRanging(false);
-
- double delta = event.getDeltaY();
- double mouseX = event.getSceneX();
- double mouseY = event.getSceneY();
-
- double chartX = xAxis.sceneToLocal(mouseX, mouseY).getX();
- double chartY = yAxis.sceneToLocal(mouseX, mouseY).getY();
-
- double zoomFactor;
- if (delta > 0) {
- zoomFactor = 0.90;
- } else {
- zoomFactor = 1.05;
- }
-
- double xLower = xAxis.getLowerBound();
- double xUpper = xAxis.getUpperBound();
- double yLower = yAxis.getLowerBound();
- double yUpper = yAxis.getUpperBound();
- double rangeX = xUpper - xLower;
- double rangeY = yUpper - yLower;
-
- double newRangeX = rangeX * zoomFactor;
- double newRangeY = rangeY * zoomFactor;
-
- xAxis.setLowerBound(xLower + (chartX / xAxis.getWidth()) * (rangeX - newRangeX));
- xAxis.setUpperBound(xUpper - ((xAxis.getWidth() - chartX) / xAxis.getWidth()) * (rangeX - newRangeX));
-
- yAxis.setLowerBound(yLower + ((yAxis.getHeight() - chartY) / yAxis.getHeight()) * (rangeY - newRangeY));
- yAxis.setUpperBound(yUpper - (chartY / yAxis.getHeight()) * (rangeY - newRangeY));
- });
-
- xAxis.setAutoRanging(true);
- yAxis.setAutoRanging(true);
- }
-
- private void setupDrag() {
- scatterChart.setOnMousePressed(event -> {
- initialX = event.getSceneX();
- initialY = event.getSceneY();
- initialLowerBoundX = ((NumberAxis) scatterChart.getXAxis()).getLowerBound();
- initialUpperBoundX = ((NumberAxis) scatterChart.getXAxis()).getUpperBound();
- initialLowerBoundY = ((NumberAxis) scatterChart.getYAxis()).getLowerBound();
- initialUpperBoundY = ((NumberAxis) scatterChart.getYAxis()).getUpperBound();
- });
-
- NumberAxis xAxis = (NumberAxis) scatterChart.getXAxis();
- NumberAxis yAxis = (NumberAxis) scatterChart.getYAxis();
-
- scatterChart.setOnMouseDragged(event -> {
- xAxis.setAutoRanging(false);
- yAxis.setAutoRanging(false);
- double deltaX = event.getSceneX() - initialX;
- double deltaY = event.getSceneY() - initialY;
-
- double newLowerBoundX = initialLowerBoundX - deltaX * (xAxis.getUpperBound() - xAxis.getLowerBound()) / scatterChart.getWidth();
- double newUpperBoundX = initialUpperBoundX - deltaX * (xAxis.getUpperBound() - xAxis.getLowerBound()) / scatterChart.getWidth();
- double newLowerBoundY = initialLowerBoundY + deltaY * (yAxis.getUpperBound() - yAxis.getLowerBound()) / scatterChart.getHeight();
- double newUpperBoundY = initialUpperBoundY + deltaY * (yAxis.getUpperBound() - yAxis.getLowerBound()) / scatterChart.getHeight();
-
- xAxis.setLowerBound(newLowerBoundX);
- xAxis.setUpperBound(newUpperBoundX);
- yAxis.setLowerBound(newLowerBoundY);
- yAxis.setUpperBound(newUpperBoundY);
- });
- xAxis.setAutoRanging(true);
- yAxis.setAutoRanging(true);
- }
}
diff --git a/src/main/java/fr/univlille/sae/classification/controller/DataVisualizationController.java b/src/main/java/fr/univlille/sae/classification/controller/DataVisualizationController.java
new file mode 100644
index 0000000000000000000000000000000000000000..b0e8c0630c318b8edd5160cd52e72280cbdd791f
--- /dev/null
+++ b/src/main/java/fr/univlille/sae/classification/controller/DataVisualizationController.java
@@ -0,0 +1,158 @@
+package fr.univlille.sae.classification.controller;
+
+import fr.univlille.sae.classification.model.ClassificationModel;
+import fr.univlille.sae.classification.view.AxesSettingsView;
+import fr.univlille.sae.classification.view.DataVisualizationView;
+import javafx.fxml.FXML;
+import javafx.scene.chart.NumberAxis;
+import javafx.scene.chart.ScatterChart;
+import javafx.scene.control.Label;
+import javafx.scene.layout.HBox;
+import javafx.stage.Stage;
+
+public abstract class DataVisualizationController {
+
+
+ @FXML
+ Stage stage;
+
+ @FXML
+ Label AxesSelected;
+
+ @FXML
+ HBox legend;
+
+
+ @FXML
+ ScatterChart scatterChart;
+
+ protected double initialX;
+ protected double initialY;
+ protected double initialLowerBoundX;
+ protected double initialUpperBoundX;
+ protected double initialLowerBoundY;
+ protected double initialUpperBoundY;
+
+
+ protected DataVisualizationView view;
+
+
+ protected void setupZoom() {
+ NumberAxis xAxis = (NumberAxis) scatterChart.getXAxis();
+ NumberAxis yAxis = (NumberAxis) scatterChart.getYAxis();
+
+ scatterChart.setOnScroll(event -> {
+ xAxis.setAutoRanging(false);
+ yAxis.setAutoRanging(false);
+
+ double delta = event.getDeltaY();
+ double mouseX = event.getSceneX();
+ double mouseY = event.getSceneY();
+
+ double chartX = xAxis.sceneToLocal(mouseX, mouseY).getX();
+ double chartY = yAxis.sceneToLocal(mouseX, mouseY).getY();
+
+ double zoomFactor;
+ if (delta > 0) {
+ zoomFactor = 0.90;
+ } else {
+ zoomFactor = 1.05;
+ }
+
+ double xLower = xAxis.getLowerBound();
+ double xUpper = xAxis.getUpperBound();
+ double yLower = yAxis.getLowerBound();
+ double yUpper = yAxis.getUpperBound();
+
+ double rangeX = xUpper - xLower;
+ double rangeY = yUpper - yLower;
+
+ double newRangeX = rangeX * zoomFactor;
+ double newRangeY = rangeY * zoomFactor;
+
+ xAxis.setLowerBound(xLower + (chartX / xAxis.getWidth()) * (rangeX - newRangeX));
+ xAxis.setUpperBound(xUpper - ((xAxis.getWidth() - chartX) / xAxis.getWidth()) * (rangeX - newRangeX));
+
+ yAxis.setLowerBound(yLower + ((yAxis.getHeight() - chartY) / yAxis.getHeight()) * (rangeY - newRangeY));
+ yAxis.setUpperBound(yUpper - (chartY / yAxis.getHeight()) * (rangeY - newRangeY));
+ });
+
+ xAxis.setAutoRanging(true);
+ yAxis.setAutoRanging(true);
+ }
+
+
+ protected void setupDrag() {
+ scatterChart.setOnMousePressed(event -> {
+ initialX = event.getSceneX();
+ initialY = event.getSceneY();
+ initialLowerBoundX = ((NumberAxis) scatterChart.getXAxis()).getLowerBound();
+ initialUpperBoundX = ((NumberAxis) scatterChart.getXAxis()).getUpperBound();
+ initialLowerBoundY = ((NumberAxis) scatterChart.getYAxis()).getLowerBound();
+ initialUpperBoundY = ((NumberAxis) scatterChart.getYAxis()).getUpperBound();
+ });
+
+ NumberAxis xAxis = (NumberAxis) scatterChart.getXAxis();
+ NumberAxis yAxis = (NumberAxis) scatterChart.getYAxis();
+
+ scatterChart.setOnMouseDragged(event -> {
+ xAxis.setAutoRanging(false);
+ yAxis.setAutoRanging(false);
+ double deltaX = event.getSceneX() - initialX;
+ double deltaY = event.getSceneY() - initialY;
+
+ double newLowerBoundX = initialLowerBoundX - deltaX * (xAxis.getUpperBound() - xAxis.getLowerBound()) / scatterChart.getWidth();
+ double newUpperBoundX = initialUpperBoundX - deltaX * (xAxis.getUpperBound() - xAxis.getLowerBound()) / scatterChart.getWidth();
+ double newLowerBoundY = initialLowerBoundY + deltaY * (yAxis.getUpperBound() - yAxis.getLowerBound()) / scatterChart.getHeight();
+ double newUpperBoundY = initialUpperBoundY + deltaY * (yAxis.getUpperBound() - yAxis.getLowerBound()) / scatterChart.getHeight();
+
+ xAxis.setLowerBound(newLowerBoundX);
+ xAxis.setUpperBound(newUpperBoundX);
+ yAxis.setLowerBound(newLowerBoundY);
+ yAxis.setUpperBound(newUpperBoundY);
+ });
+ xAxis.setAutoRanging(true);
+ yAxis.setAutoRanging(true);
+ }
+
+ /**
+ * Ouvrir les paramètres des axes de la vue
+ */
+ public void openAxesSetting(){
+ AxesSettingsView axesSettingsView = new AxesSettingsView(ClassificationModel.getClassificationModel(), stage, view);
+ axesSettingsView.show();
+ }
+
+
+ /**
+ * Renvoie la grille associé à la classe
+ * @return grille de la classe
+ */
+ public ScatterChart getScatterChart() {
+ return this.scatterChart;
+ }
+
+
+ /**
+ * Attribut une valeur à l'axe de la grille
+ * @param texte Valeur de l'axe
+ */
+ public void setAxesSelected(String texte) {
+ this.AxesSelected.setText(texte);
+ }
+
+ public void setAxesSelectedDisable(){
+ this.AxesSelected.setDisable(true);
+ }
+
+
+
+ public void loadLegend(HBox hbox) {
+ this.legend.getChildren().clear();
+ this.legend.getChildren().addAll(hbox.getChildren());
+ }
+
+
+
+
+}
diff --git a/src/main/java/fr/univlille/sae/classification/controller/KNNController.java b/src/main/java/fr/univlille/sae/classification/controller/KNNController.java
index def9b3273b96a1a2870403485fa2466c807f98a0..aed754ea35b2858b197d619a6436712911466db6 100644
--- a/src/main/java/fr/univlille/sae/classification/controller/KNNController.java
+++ b/src/main/java/fr/univlille/sae/classification/controller/KNNController.java
@@ -8,9 +8,11 @@ import fr.univlille.sae.classification.model.LoadableData;
import javafx.collections.ObservableList;
import javafx.concurrent.Task;
import javafx.fxml.FXML;
+import javafx.geometry.Pos;
import javafx.scene.Scene;
import javafx.scene.control.*;
import javafx.scene.layout.HBox;
+import javafx.scene.layout.VBox;
import javafx.stage.Stage;
import java.util.ArrayList;
@@ -37,10 +39,11 @@ public class KNNController {
@FXML
public void initialize() {
+ int max = (int) Math.sqrt(ClassificationModel.getClassificationModel().getDatas().size());
kEntry.setValueFactory(new SpinnerValueFactory.IntegerSpinnerValueFactory(1,
- (int) Math.sqrt(ClassificationModel.getClassificationModel().getDatas().size()),
+ (max%2 == 0) ? max-1 : max,
1,
- 1));
+ 2));
kEntry.getValueFactory().setValue(ClassificationModel.getClassificationModel().getK());
@@ -59,13 +62,10 @@ public class KNNController {
}else {
// Calcul du K Optimal:
- HBox hBox = new HBox();
-
Task<Scene> knnTask = new Task<>() {
@Override
protected Scene call() throws Exception {
- System.out.println("Call call()");
updateProgress(0, 3);
updateMessage("Préparation des données ");
@@ -104,30 +104,32 @@ public class KNNController {
return scene;
}
};
-
+ VBox vBox = new VBox();
ProgressBar pBar = new ProgressBar();
pBar.progressProperty().bind(knnTask.progressProperty());
Label statusLabel = new Label();
statusLabel.textProperty().bind(knnTask.messageProperty());
-
- hBox.getChildren().addAll(statusLabel, pBar);
+ vBox.alignmentProperty().setValue(Pos.CENTER);
+ vBox.getChildren().addAll( pBar, statusLabel);
Stage stageLoad = new Stage();
- Scene scene = new Scene(hBox);
+ Scene scene = new Scene(vBox);
+ stageLoad.setTitle("Alogirhme K-NN");
+ stageLoad.setMinWidth(300);
stageLoad.setScene(scene);
stageLoad.show();
Stage stageFinished = new Stage();
-
+ stageFinished.setTitle("Algorithme K-NN - results");
knnTask.setOnSucceeded(e -> {
stageLoad.close();
stageFinished.setScene(knnTask.getValue());
stageFinished.show();
});
- knnTask.run();
- //new Thread(knnTask).start();
+
+ new Thread(knnTask).start();
diff --git a/src/main/java/fr/univlille/sae/classification/controller/LoadDataController.java b/src/main/java/fr/univlille/sae/classification/controller/LoadDataController.java
index 014af783059a9eb43473293a24c3d30af44c39c2..4baf15fcc240ad98712f30d4d42a49855513be51 100644
--- a/src/main/java/fr/univlille/sae/classification/controller/LoadDataController.java
+++ b/src/main/java/fr/univlille/sae/classification/controller/LoadDataController.java
@@ -1,5 +1,7 @@
package fr.univlille.sae.classification.controller;
+import com.opencsv.exceptions.CsvException;
+import com.opencsv.exceptions.CsvRequiredFieldEmptyException;
import fr.univlille.sae.classification.model.ClassificationModel;
import fr.univlille.sae.classification.model.DataType;
import javafx.fxml.FXML;
@@ -34,6 +36,7 @@ public class LoadDataController {
@FXML
public void initialize() {
fileType.getItems().addAll(DataType.values());
+ fileType.setValue(DataType.values()[0]);
}
/**
@@ -72,7 +75,15 @@ public class LoadDataController {
}
ClassificationModel.getClassificationModel().setType(typeChoisi);
- ClassificationModel.getClassificationModel().loadData(file);
+ try {
+ ClassificationModel.getClassificationModel().loadData(file);
+ }catch (RuntimeException | CsvRequiredFieldEmptyException e) {
+ Alert alert = new Alert(Alert.AlertType.ERROR);
+ alert.initOwner(stage);
+ alert.setHeaderText(e.toString());
+ alert.setContentText("Le chargement du fichier à echoué, veuillez reessayer !");
+ alert.showAndWait();
+ }
stage.close();
}
}
diff --git a/src/main/java/fr/univlille/sae/classification/controller/MainStageController.java b/src/main/java/fr/univlille/sae/classification/controller/MainStageController.java
index d18c02d73d9952ef1fb300ddde0731b560ace749..bed2fe9ea1cbc0a630a8026a45faea8404b04698 100644
--- a/src/main/java/fr/univlille/sae/classification/controller/MainStageController.java
+++ b/src/main/java/fr/univlille/sae/classification/controller/MainStageController.java
@@ -12,31 +12,22 @@ import javafx.stage.Stage;
import java.io.IOException;
-public class MainStageController {
+public class MainStageController extends DataVisualizationController{
+
- @FXML
- Stage stage;
@FXML
Button classifyData;
- @FXML
- ScatterChart scatterChart;
- @FXML
- Label AxesSelected;
+
@FXML
ListView PointInfo;
+
private MainStageView mainStageView;
- private double initialX;
- private double initialY;
- private double initialLowerBoundX;
- private double initialUpperBoundX;
- private double initialLowerBoundY;
- private double initialUpperBoundY;
public void initialize() {
setupZoom();
@@ -81,6 +72,7 @@ public class MainStageController {
*/
public void setMainStageView(MainStageView mainStageView) {
this.mainStageView = mainStageView;
+ this.view = mainStageView;
}
/**
@@ -109,17 +101,7 @@ public class MainStageController {
return this.scatterChart;
}
- /**
- * Attribue une valeur à l'axe de la grille.
- * @param texte Valeur de l'axe à afficher sur l'interface.
- */
- public void setAxesSelected(String texte) {
- this.AxesSelected.setText(texte);
- }
- public void setAxesSelectedDisable(){
- this.AxesSelected.setDisable(true);
- }
/**
* Renvoie le bouton de classification de données.
@@ -133,82 +115,6 @@ public class MainStageController {
return this.PointInfo;
};
- private void setupZoom() {
- NumberAxis xAxis = (NumberAxis) scatterChart.getXAxis();
- NumberAxis yAxis = (NumberAxis) scatterChart.getYAxis();
-
- scatterChart.setOnScroll(event -> {
- xAxis.setAutoRanging(false);
- yAxis.setAutoRanging(false);
-
- double delta = event.getDeltaY();
- double mouseX = event.getSceneX();
- double mouseY = event.getSceneY();
- double chartX = xAxis.sceneToLocal(mouseX, mouseY).getX();
- double chartY = yAxis.sceneToLocal(mouseX, mouseY).getY();
-
- double zoomFactor;
- if (delta > 0) {
- zoomFactor = 0.90;
- } else {
- zoomFactor = 1.05;
- }
-
- double xLower = xAxis.getLowerBound();
- double xUpper = xAxis.getUpperBound();
- double yLower = yAxis.getLowerBound();
- double yUpper = yAxis.getUpperBound();
-
- double rangeX = xUpper - xLower;
- double rangeY = yUpper - yLower;
-
- double newRangeX = rangeX * zoomFactor;
- double newRangeY = rangeY * zoomFactor;
-
- xAxis.setLowerBound(xLower + (chartX / xAxis.getWidth()) * (rangeX - newRangeX));
- xAxis.setUpperBound(xUpper - ((xAxis.getWidth() - chartX) / xAxis.getWidth()) * (rangeX - newRangeX));
-
- yAxis.setLowerBound(yLower + ((yAxis.getHeight() - chartY) / yAxis.getHeight()) * (rangeY - newRangeY));
- yAxis.setUpperBound(yUpper - (chartY / yAxis.getHeight()) * (rangeY - newRangeY));
- });
-
- xAxis.setAutoRanging(true);
- yAxis.setAutoRanging(true);
- }
-
-
- private void setupDrag() {
- scatterChart.setOnMousePressed(event -> {
- initialX = event.getSceneX();
- initialY = event.getSceneY();
- initialLowerBoundX = ((NumberAxis) scatterChart.getXAxis()).getLowerBound();
- initialUpperBoundX = ((NumberAxis) scatterChart.getXAxis()).getUpperBound();
- initialLowerBoundY = ((NumberAxis) scatterChart.getYAxis()).getLowerBound();
- initialUpperBoundY = ((NumberAxis) scatterChart.getYAxis()).getUpperBound();
- });
-
- NumberAxis xAxis = (NumberAxis) scatterChart.getXAxis();
- NumberAxis yAxis = (NumberAxis) scatterChart.getYAxis();
-
- scatterChart.setOnMouseDragged(event -> {
- xAxis.setAutoRanging(false);
- yAxis.setAutoRanging(false);
- double deltaX = event.getSceneX() - initialX;
- double deltaY = event.getSceneY() - initialY;
-
- double newLowerBoundX = initialLowerBoundX - deltaX * (xAxis.getUpperBound() - xAxis.getLowerBound()) / scatterChart.getWidth();
- double newUpperBoundX = initialUpperBoundX - deltaX * (xAxis.getUpperBound() - xAxis.getLowerBound()) / scatterChart.getWidth();
- double newLowerBoundY = initialLowerBoundY + deltaY * (yAxis.getUpperBound() - yAxis.getLowerBound()) / scatterChart.getHeight();
- double newUpperBoundY = initialUpperBoundY + deltaY * (yAxis.getUpperBound() - yAxis.getLowerBound()) / scatterChart.getHeight();
-
- xAxis.setLowerBound(newLowerBoundX);
- xAxis.setUpperBound(newUpperBoundX);
- yAxis.setLowerBound(newLowerBoundY);
- yAxis.setUpperBound(newUpperBoundY);
- });
- xAxis.setAutoRanging(true);
- yAxis.setAutoRanging(true);
- }
}
diff --git a/src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java b/src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java
index ce462a0b5c12e72f1ac2d9de29bed32aee1006a3..686303ccf2d4e88c048c40d37c40ebe7719370b4 100644
--- a/src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java
+++ b/src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java
@@ -1,5 +1,6 @@
package fr.univlille.sae.classification.knn;
+import com.opencsv.exceptions.CsvRequiredFieldEmptyException;
import fr.univlille.sae.classification.knn.distance.*;
import fr.univlille.sae.classification.model.ClassificationModel;
import fr.univlille.sae.classification.model.DataType;
@@ -12,7 +13,6 @@ import java.util.*;
public class MethodKNN {
- private static final Random random = new Random();
public static String path = System.getProperty("user.dir") + File.separator + "res" + File.separator;
@@ -20,22 +20,29 @@ public class MethodKNN {
public static double[] minData;
public static double[] maxData;
- public MethodKNN(ClassificationModel model) {
+ private MethodKNN() {
- updateModel(model.getDatas());
-
- }
+ }
+ /**
+ * Permet de mettre a jour les données de l'algorithme. Recalcul les amplitudes et les min/max des données
+ * @param datas Les données sur lequel l'algorithme doit travailler
+ */
public static void updateModel(List<LoadableData> datas) {
if(datas.isEmpty()) return;
- minData = new double[datas.get(0).getAttributes().length];
- maxData = new double[datas.get(0).getAttributes().length];
- amplitude = new double[datas.get(0).getAttributes().length];
+
+ int numAttributes = datas.get(0).getAttributes().length;
+ minData = new double[numAttributes];
+ maxData = new double[numAttributes];
+ amplitude = new double[numAttributes];
+
+
for(LoadableData l :datas) {
- for(int i = 0; i<l.getAttributes().length; i++) {
- if(l.getAttributes()[i] < minData[i]) minData[i] = l.getAttributes()[i];
- if(l.getAttributes()[i] > maxData[i]) maxData[i] = l.getAttributes()[i];
+ double[] attributes = l.getAttributes();
+ for(int i = 0; i<numAttributes; i++) {
+ if(attributes[i] < minData[i]) minData[i] = attributes[i];
+ if(attributes[i] > maxData[i]) maxData[i] = attributes[i];
}
}
@@ -44,6 +51,15 @@ public class MethodKNN {
}
}
+ /**
+ * Permet de recuperer les K-voisins les plus proches d'une données dans un jeu de données
+ * en fonction d'une Distance.
+ * @param datas Le jeu de données
+ * @param data La donnée avec laquelle calculer la distance
+ * @param k Le nombre de voisins a recupérer
+ * @param distance
+ * @return
+ */
public static List<LoadableData> kVoisins(List<LoadableData> datas, LoadableData data, int k, Distance distance) {
// On recupere toutes les données
@@ -65,45 +81,49 @@ public class MethodKNN {
// On recupere les K voisions de data.
List<LoadableData> kVoisins = MethodKNN.kVoisins(datas, data, k, distance);
- System.out.println("Neighbours: " + kVoisins);
-
- // System.out.println("Neighbours found : " + kVoisins);
// On compte le nombre de représentation de chaque class parmis les voisins
+ // Et on récupere la plus présente
+
Map<String, Integer> classOfNeighbours = new HashMap<>();
+ String currentClass = kVoisins.get(0).getClassification();
+
+
+
for(LoadableData voisin : kVoisins) {
int newValue = ((classOfNeighbours.get(voisin.getClassification()) == null) ? 0 : classOfNeighbours.get(voisin.getClassification()) )+ 1;
classOfNeighbours.put(voisin.getClassification(), newValue);
- }
- // On recupere la classe la plus repésenté parmis les voisins (au hasard si egalité entre 2)
- String currentClass = kVoisins.get(0).getClassification();
- for(String classification : classOfNeighbours.keySet()) {
- if(classOfNeighbours.get(classification) > classOfNeighbours.get(currentClass)) {
- currentClass = classification;
- }else if (classOfNeighbours.get(classification).equals(classOfNeighbours.get(currentClass))) {
- if(random.nextInt(2) == 1) currentClass = classification;
+ // si la classe est plus presente que la classe acutelemnt majoritaire, on change la classe majoritaire.
+ // Si il y'a egalité alors on garde la premiere trouvé
+ if(classOfNeighbours.get(voisin.getClassification()) > classOfNeighbours.get(currentClass)) {
+ currentClass = voisin.getClassification();
}
+
}
- // System.out.println("Estimate class = " + currentClass);
return currentClass;
}
public static int bestK(List<LoadableData> datas, Distance distance) {
+ // On borne le K pour eviter de trouver un K trop grand
int maxK = (int) (Math.sqrt(datas.size()));
System.out.println("Max k: " + maxK);
- Map<Integer, Double> results = new HashMap<>();
+ int betK = 1;
+
+ Map<Integer, Double> results = new LinkedHashMap<>();
// Pour chaque valeur impaire possible de K, on calcul la robustesse (le taux de reussite) de l'algorithme.
for(int i =1; i<maxK; i = i +2) {
results.put(i, robustesse(datas, i, distance, 0.2));
+ // On modifie le meilleur k si le taux est superieur au K precedent
+ // Si egalité, on garde le premier trouvé
+ if(results.get(i) > results.get(betK)) betK = i;
}
- System.out.println(results);
+ System.out.println("Results: " + results);
- // On return le K ayant le meilleur taux de reussite ( ou l'un des K si egalités).
- return Collections.max(results.entrySet(), Map.Entry.comparingByValue()).getKey();
+ return betK;
}
@@ -114,7 +134,7 @@ public class MethodKNN {
double taux = 0;
- for(int i = 0; i<(int)1/testPart; i++) {
+ for(int i = 0; i<1/testPart; i++) {
int totalFind = 0;
int totalTry = 0;
@@ -132,10 +152,7 @@ public class MethodKNN {
for(LoadableData l : testData) {
totalTry++;
String baseClass = l.getClassification();
- // System.out.println("Base class : " + baseClass);
- // System.out.println("Base data: " + l);
if(baseClass.equals(MethodKNN.estimateClass(trainingData,l, k, distance))) totalFind++;
-
}
@@ -150,14 +167,14 @@ public class MethodKNN {
return taux/(1/testPart);
}
- public static void main(String[] args) {
+ public static void main(String[] args) throws CsvRequiredFieldEmptyException {
//Test de la robustesse et du meillleur K
ClassificationModel model = ClassificationModel.getClassificationModel();
- model.setType(DataType.IRIS);
- model.loadData(new File(path+"data/iris.csv"));
+ model.setType(DataType.POKEMON);
+ model.loadData(new File(path+"data/pokemon_train.csv"));
MethodKNN.updateModel(model.getDatas());
System.out.println();
@@ -179,7 +196,7 @@ public class MethodKNN {
- }
+ }
diff --git a/src/main/java/fr/univlille/sae/classification/model/ClassificationModel.java b/src/main/java/fr/univlille/sae/classification/model/ClassificationModel.java
index 0c5291ca16dadd29e930f2346bec1219feb9c5f5..403e01cbbfdc0b1b94d65de4ec9196c80d43878a 100644
--- a/src/main/java/fr/univlille/sae/classification/model/ClassificationModel.java
+++ b/src/main/java/fr/univlille/sae/classification/model/ClassificationModel.java
@@ -1,6 +1,8 @@
package fr.univlille.sae.classification.model;
import com.opencsv.bean.CsvToBeanBuilder;
+import com.opencsv.exceptions.CsvBadConverterException;
+import com.opencsv.exceptions.CsvRequiredFieldEmptyException;
import fr.univlille.sae.classification.knn.MethodKNN;
import fr.univlille.sae.classification.knn.distance.Distance;
import fr.univlille.sae.classification.knn.distance.DistanceEuclidienne;
@@ -79,8 +81,10 @@ public class ClassificationModel extends Observable {
* Charge les données à partir d'un fichier CSV.
* @param file fichier contenant les données à charger.
*/
- public void loadData(File file) {
+ public void loadData(File file) throws CsvRequiredFieldEmptyException, CsvBadConverterException {
try {
+ this.dataToClass.clear();
+
this.datas = new CsvToBeanBuilder<LoadableData>(Files.newBufferedReader(file.toPath()))
.withSeparator(',')
.withType(type.getClazz())
@@ -117,7 +121,7 @@ public class ClassificationModel extends Observable {
public void classifierDonnee(LoadableData data) {
if(dataToClass.get(data) != null && dataToClass.get(data)) return;
this.dataToClass.remove(data);
- data.setClassification(MethodKNN.estimateClass(datas, data, kOptimal, distance));
+ data.setClassification(MethodKNN.estimateClass(datas, data, k, distance));
notifyObservers(data);
dataToClass.put(data, true);
}
@@ -137,6 +141,7 @@ public class ClassificationModel extends Observable {
public void setDistance(Distance distance) {
this.distance = distance;
+ this.kOptimal = 0;
}
public Distance getDistance() {
diff --git a/src/main/java/fr/univlille/sae/classification/model/Iris.java b/src/main/java/fr/univlille/sae/classification/model/Iris.java
index abf271abb8ef1ba9bb655bab997a826b774bb18d..fbf1734713ae37b123b20e4f9f1f06cbfce9fe32 100644
--- a/src/main/java/fr/univlille/sae/classification/model/Iris.java
+++ b/src/main/java/fr/univlille/sae/classification/model/Iris.java
@@ -13,13 +13,13 @@ import java.util.Map;
*/
public class Iris extends LoadableData {
- @CsvBindByName(column = "sepal.length")
+ @CsvBindByName(column = "sepal.length", required = true)
private double sepalLength;
- @CsvBindByName(column = "sepal.width")
+ @CsvBindByName(column = "sepal.width", required = true)
private double sepalWidth;
- @CsvBindByName(column = "petal.length")
+ @CsvBindByName(column = "petal.length", required = true)
private double petalLength;
- @CsvBindByName(column = "petal.width")
+ @CsvBindByName(column = "petal.width", required = true)
private double petalWidth;
@CsvBindByName(column = "variety")
private String variety;
@@ -109,26 +109,6 @@ public class Iris extends LoadableData {
return petalLength;
}
- /**
- * Renvoie la valeur des données en fonction de l'axe spécifié.
- * @param axes nom de l'axe pour lequel la valeur est requise.
- * @return valeur correspondante.
- */
- @Override
- public double getDataType(String axes) {
- switch (axes) {
- case "sepalWidth":
- return sepalWidth;
- case "sepalLength":
- return sepalLength;
- case "petalWidth":
- return petalWidth;
- case "petalLength":
- return petalLength;
- default:
- return sepalLength;
- }
- }
@Override
public double[] getAttributes() {
@@ -141,23 +121,8 @@ public class Iris extends LoadableData {
}
- /**
- * Renvoie la couleur associée à la variété de l'Iris.
- * @return couleur correspondant à la variété.
- */
- @Override
- public Color getColor() {
- switch (this.variety) {
- case "Setosa":
- return Color.RED;
- case "Versicolor":
- return Color.BLUE;
- case "Virginica":
- return Color.GREEN;
- default:
- return Color.BLACK; // Couleur par défaut si la variété est inconnue
- }
- }
+
+
/**
* Renvoie les noms des attributs de l'Iris.
diff --git a/src/main/java/fr/univlille/sae/classification/model/LoadableData.java b/src/main/java/fr/univlille/sae/classification/model/LoadableData.java
index 4aa25be2e34b88f7db8b244d80410cc4299d6e3c..670de56e73a5d89c5793525fd64709cc165ad66d 100644
--- a/src/main/java/fr/univlille/sae/classification/model/LoadableData.java
+++ b/src/main/java/fr/univlille/sae/classification/model/LoadableData.java
@@ -2,6 +2,10 @@ package fr.univlille.sae.classification.model;
import javafx.scene.paint.Color;
+import java.util.Map;
+import java.util.HashMap;
+import java.util.HashMap;
+import java.util.HashSet;
import java.util.Map;
import java.util.Set;
@@ -12,10 +16,13 @@ public abstract class LoadableData {
private static Set<String> classificationTypes;
+ private static Map<String, Color> classification = new HashMap<>() ;
+
/**
* Constructeur par défaut.
*/
protected LoadableData() {
+
}
/**
@@ -32,14 +39,40 @@ public abstract class LoadableData {
return classificationTypes;
}
+ public static Map<String, Color> getClassifications() {
+ return classification;
+ }
+
/**
* Définit les types de classification disponibles.
* @param classificationTypes ensemble de types de classification à définir.
*/
public static void setClassificationTypes(Set<String> classificationTypes) {
LoadableData.classificationTypes = classificationTypes;
+ LoadableData.classification.clear();
+
+ int nb = 0;
+ for(String s : classificationTypes) {
+ // Génération de couleurs avec une plage évitant le blanc
+
+ LoadableData.classification.put(s, getColor(nb++));
+ }
+
+ LoadableData.classification.put("undefined", getColor(nb));
+ }
+
+ private static Color getColor(int i) {
+ double ratio = (double) i / classificationTypes.size();
+
+ // Réduire les composantes pour éviter les tons clairs
+ double red = 0.2 + 0.6 * ratio; // Entre 0.2 et 0.8
+ double green = 0.8 - 0.6 * ratio; // Entre 0.8 et 0.2
+ double blue = 0.5 + 0.3 * Math.sin(ratio * Math.PI); // Entre 0.5 et 0.8
+
+ return Color.color(red, green, blue);
}
+
/**
* Définit la classification de l'objet.
* @param classification classification à définir.
@@ -48,18 +81,6 @@ public abstract class LoadableData {
public abstract Map<String, Object> getAttributesNames();
- /**
- * Renvoie la couleur associée à l'objet.
- * @return couleur correspondant à la classification de l'objet.
- */
- public abstract Color getColor();
-
- /**
- * Renvoie la valeur des données en fonction de l'axe spécifié.
- * @param axes nom de l'axe pour lequel la valeur est requise.
- * @return valeur correspondante.
- */
- public abstract double getDataType(String axes);
public abstract double[] getAttributes();
diff --git a/src/main/java/fr/univlille/sae/classification/model/PointFactory.java b/src/main/java/fr/univlille/sae/classification/model/PointFactory.java
index bddf6995eb5e17c5e48b7de573ec1fa00dbac038..27eba5e9a8c138c2bf0ef639b73bfeada563ed68 100644
--- a/src/main/java/fr/univlille/sae/classification/model/PointFactory.java
+++ b/src/main/java/fr/univlille/sae/classification/model/PointFactory.java
@@ -32,7 +32,7 @@ public class PointFactory {
data = new Pokemon(coords);
}
else if (coords.length == 11) {
- data = new Pokemon((String) coords[0], (Integer) coords[1], (Integer) coords[2], (Double) coords[3], (Integer) coords[4], (Integer) coords[5], (Integer) coords[6], (Integer) coords[7], (Integer) coords[8], "", "", (Double) coords[9], (Boolean) coords[10]);
+ data = new Pokemon((String) coords[0], (Integer) coords[1], (Integer) coords[2], (Double) coords[3], (Integer) coords[4], (Integer) coords[5], (Integer) coords[6], (Integer) coords[7], (Integer) coords[8], "undefined", "", (Double) coords[9], (Boolean) coords[10]);
}
break;
default:
diff --git a/src/main/java/fr/univlille/sae/classification/model/Pokemon.java b/src/main/java/fr/univlille/sae/classification/model/Pokemon.java
index f52f5b1a285687aab16c03cb5f9ff2c41298ef8d..7ac5fad96ac847d5199b969014b9c3f852fa4e79 100644
--- a/src/main/java/fr/univlille/sae/classification/model/Pokemon.java
+++ b/src/main/java/fr/univlille/sae/classification/model/Pokemon.java
@@ -1,13 +1,11 @@
package fr.univlille.sae.classification.model;
import com.opencsv.bean.CsvBindByName;
-import javafx.scene.paint.Color;
-
import java.util.HashMap;
import java.util.LinkedHashMap;
import java.util.Map;
-public class Pokemon extends LoadableData {
+public class Pokemon extends LoadableData{
// name,attack,base_egg_steps,capture_rate,defense,experience_growth,hp,sp_attack,sp_defense,type1,type2,speed,is_legendary
// Swablu,40,5120,255.0,60,600000,45,75,50,normal,flying,1.2,False
@@ -51,7 +49,11 @@ public class Pokemon extends LoadableData {
this.hp = hp;
this.spAttack = spAttack;
this.spDefense = spDefense;
- this.type1 = type1;
+ if(type1 == null || type1.isEmpty()) {
+ this.type1 = "undefined";
+ }else {
+ this.type1 = type1;
+ }
this.type2 = type2;
this.speed = speed;
this.isLegendary = isLegendary;
@@ -112,91 +114,10 @@ public class Pokemon extends LoadableData {
return attrNames;
}
- /**
- * Renvoie la couleur associée à l'objet.
- *
- * @return couleur correspondant à la classification de l'objet.
- */
- @Override
- public Color getColor() {
- switch (this.type1) {
- case "normal":
- return Color.LIGHTGREY;
- case "grass":
- return Color.GREEN;
- case "electric":
- return Color.YELLOW;
- case "bug":
- return Color.GREENYELLOW;
- case "psychic":
- return Color.PLUM;
- case "poison":
- return Color.PURPLE;
- case "steel":
- return Color.SILVER;
- case "dragon":
- return Color.WHITE;
- case "flying":
- return Color.SKYBLUE;
- case "water":
- return Color.BLUE;
- case "rock":
- return Color.SIENNA;
- case "fire":
- return Color.RED;
- case "fairy":
- return Color.PINK;
- case "fighting":
- return Color.FIREBRICK;
- case "ice":
- return Color.DARKTURQUOISE;
- case "ghost":
- return Color.DARKMAGENTA;
- case "dark":
- return Color.GREY;
- case "ground":
- return Color.KHAKI;
- default:
- return Color.BLACK; // Couleur par défaut si la variété est inconnue
- }
- }
- /**
- * Renvoie la valeur des données en fonction de l'axe spécifié.
- *
- * @param axes nom de l'axe pour lequel la valeur est requise.
- * @return valeur correspondante.
- */
- @Override
- public double getDataType(String axes) {
- switch (axes) {
- case "attack":
- return this.attack;
- case "base_egg_steps":
- return this.baseEggSteps;
- case "capture_rate":
- return this.captureRate;
- case "defense":
- return this.defense;
- case "experience_growth":
- return this.experienceGrowth;
- case "hp":
- return this.hp;
- case "sp_attack":
- return this.spAttack;
- case "sp_defense":
- return this.spDefense;
- case "speed":
- return this.speed;
- case "is_legendary":
- if(this.isLegendary){
- return 1;
- }
- return 0;
- default:
- return this.attack;
- }
- }
+
+
+
@Override
public double[] getAttributes() {
@@ -206,7 +127,7 @@ public class Pokemon extends LoadableData {
@Override
public String[] getStringAttributes() {
- return new String[]{name, type2, String.valueOf(isLegendary)};
+ return new String[]{type2, String.valueOf(isLegendary)};
}
@Override
diff --git a/src/main/java/fr/univlille/sae/classification/utils/ViewUtil.java b/src/main/java/fr/univlille/sae/classification/utils/ViewUtil.java
index b01cc53fa32108c26b3aa4b5db9d95d785b5c069..a0e92fd646fa93b58c4df0fe537e13a53da3292b 100644
--- a/src/main/java/fr/univlille/sae/classification/utils/ViewUtil.java
+++ b/src/main/java/fr/univlille/sae/classification/utils/ViewUtil.java
@@ -2,14 +2,23 @@ package fr.univlille.sae.classification.utils;
import fr.univlille.sae.classification.controller.DataStageController;
import fr.univlille.sae.classification.controller.MainStageController;
+import fr.univlille.sae.classification.model.ClassificationModel;
import fr.univlille.sae.classification.model.LoadableData;
+import javafx.scene.chart.ScatterChart;
import javafx.scene.chart.XYChart;
import javafx.scene.control.ContextMenu;
+import javafx.scene.control.Label;
import javafx.scene.control.MenuItem;
+import javafx.scene.layout.HBox;
import javafx.scene.paint.Color;
+import javafx.scene.shape.Circle;
+import javafx.scene.shape.Rectangle;
import javafx.scene.shape.Shape;
import javafx.stage.Stage;
+import java.util.HashMap;
+import java.util.Map;
+
/**
* Classe utilitaire pour la gestion des vues.
*/
@@ -23,7 +32,9 @@ public class ViewUtil {
*/
public static Shape getForm(LoadableData dataLoaded, Shape form, Object controller) {
try {
- form.setFill(dataLoaded.getColor());
+ Color color = LoadableData.getClassifications().get(dataLoaded.getClassification());
+
+ form.setFill(color);
form.setOnMouseClicked(e -> {
if (controller instanceof DataStageController) {
@@ -44,4 +55,31 @@ public class ViewUtil {
return form;
}
+
+ public static HBox loadLegend() {
+ //Color
+
+ Map<String, Color> colors = new HashMap<>(Map.copyOf(LoadableData.getClassifications()));
+ Rectangle rectangle = new Rectangle(10, 10);
+ rectangle.setFill(colors.remove("undefined"));
+ Label label = new Label("undefined");
+ HBox hbox = new HBox();
+ HBox tempHBox = new HBox();
+ tempHBox.getChildren().addAll(rectangle, label);
+ hbox.getChildren().add(tempHBox);
+
+
+ for(String s : colors.keySet()) {
+ Circle c = new Circle(5);
+ c.setFill(colors.get(s));
+ label = new Label(s);
+ tempHBox = new HBox();
+ tempHBox.getChildren().addAll(c, label);
+
+ hbox.getChildren().add(tempHBox);
+ }
+
+ return hbox;
+ }
+
}
diff --git a/src/main/java/fr/univlille/sae/classification/view/DataStageView.java b/src/main/java/fr/univlille/sae/classification/view/DataStageView.java
index 4a0fa24d05733ba58f365331ef9a3edaac99c264..f14feab96b4523782dce473455a8e8182262d75a 100644
--- a/src/main/java/fr/univlille/sae/classification/view/DataStageView.java
+++ b/src/main/java/fr/univlille/sae/classification/view/DataStageView.java
@@ -13,6 +13,7 @@ import javafx.fxml.FXMLLoader;
import javafx.scene.Node;
import javafx.scene.chart.ScatterChart;
import javafx.scene.chart.XYChart;
+import javafx.scene.layout.HBox;
import javafx.scene.shape.Circle;
import javafx.scene.shape.Rectangle;
import javafx.stage.Stage;
@@ -36,10 +37,10 @@ public class DataStageView extends DataVisualizationView implements Observer {
private Map<String, ScatterChart.Series<Double, Double>> serieList;
- private ScatterChart.Series series1;
- private ScatterChart.Series series2;
- private ScatterChart.Series series3;
- private ScatterChart.Series series4;
+ private XYChart.Series series1;
+ private XYChart.Series series2;
+ private XYChart.Series series3;
+ private XYChart.Series series4;
private Stage root;
@@ -79,7 +80,7 @@ public class DataStageView extends DataVisualizationView implements Observer {
controller = loader.getController();
controller.setDataStageView(this);
scatterChart = controller.getScatterChart();
-
+ scatterChart.setLegendVisible(false);
scatterChart.getData().addAll(series4, series1, series2, series3);
controller.setAxesSelected("Aucun fichier sélectionné");
@@ -92,6 +93,118 @@ public class DataStageView extends DataVisualizationView implements Observer {
}
}
+ /**
+ * Met à jour l'affichage des données en fonction des changements dans le modèle.
+ * @param observable modèle observé.
+ */
+ @Override
+ public void update(Observable observable) {
+ try {
+ if (scatterChart == null || !(observable instanceof ClassificationModel)) {
+ System.err.println("Erreur de mise à jour.");
+ return;
+ }
+
+ scatterChart.getData().clear();
+ serieList.clear();
+
+ if (actualX == null && actualY == null) {
+ controller.setAxesSelected("Aucuns axes sélectionnés");
+ } else {
+ controller.setAxesSelected("");
+ controller.setAxesSelectedDisable();
+
+ List<LoadableData> points = new ArrayList<>(model.getDatas());
+ points.addAll(model.getDataToClass().keySet());
+ for (LoadableData data : points) {
+ Object xValue = data.getAttributesNames().get(actualX);
+ Object yValue = data.getAttributesNames().get(actualY);
+
+ Double x = 0.0;
+ if (xValue instanceof Integer) {
+ x = ((Integer) xValue).doubleValue();
+ } else if (xValue instanceof Double) {
+ x = (Double) xValue;
+ }
+
+ Double y = 0.0;
+ if (yValue instanceof Integer) {
+ y = ((Integer) yValue).doubleValue();
+ } else if (yValue instanceof Double) {
+ y = (Double) yValue;
+ }
+
+ ScatterChart.Data<Double, Double> dataPoint = new ScatterChart.Data<>(x, y);
+
+ Node nodePoint = ViewUtil.getForm(data, new Circle(5), controller);
+
+ ScatterChart.Series<Double, Double> editSerie = serieList.get(data.getClassification());
+ if(editSerie == null){
+ editSerie = new ScatterChart.Series<Double, Double>();
+ }
+ if(data.getClassification().equals("undefined") || model.getDataToClass().containsKey(data)) {
+ nodePoint = ViewUtil.getForm(data, new Rectangle(10,10), controller);
+ }
+ dataPoint.setNode(nodePoint);
+ editSerie.getData().add(dataPoint);
+ serieList.put(data.getClassification(), editSerie);
+ }
+
+ for(String serie : serieList.keySet()) {
+ serieList.get(serie).setName(serie);
+ }
+ scatterChart.getData().addAll(serieList.values());
+
+ HBox hBox = ViewUtil.loadLegend();
+ controller.loadLegend(hBox);
+ }
+ } catch (Exception e) {
+ System.err.println("Erreur de mise à jour : " + e.getMessage());
+ }
+ }
+
+ /**
+ * Met à jour l'affichage en ajoutant un nouveau point de données.
+ * @param observable modèle observé.
+ * @param data point de données à ajouter.
+ */
+ @Override
+ public void update(Observable observable, Object data) {
+ try {
+ if (scatterChart == null || !(observable instanceof ClassificationModel)) {
+ System.err.println("Erreur de mise à jour.");
+ return;
+ }
+ LoadableData newData = (LoadableData) data;
+ if (actualX == null || actualY == null) {
+ controller.setAxesSelected("Aucuns axes sélectionnés");
+ return;
+ }
+ Object attrX = newData.getAttributesNames().get(actualX);
+ Object attrY = newData.getAttributesNames().get(actualY);
+ if (attrX instanceof Integer) {
+ attrX = ((Integer) attrX).doubleValue();
+ }
+ if (attrY instanceof Integer) {
+ attrY = ((Integer) attrY).doubleValue();
+ }
+ XYChart.Data<Double, Double> dataPoint = new XYChart.Data<>(
+ (Double) attrX,
+ (Double) attrY
+ );
+
+ dataPoint.setNode(ViewUtil.getForm(newData, new Rectangle(10, 10), controller));
+ if (!scatterChart.getData().isEmpty()) {
+ series4.getData().add(dataPoint);
+ series4.setName("indéfini");
+ scatterChart.getData().add(series4);
+ }
+ HBox hBox = ViewUtil.loadLegend();
+ controller.loadLegend(hBox);
+ } catch (Exception e) {
+ System.err.println("Erreur de mise à jour : " + e.getMessage());
+ }
+ }
/**
* Renvoie le contrôleur associé à cette vue.
diff --git a/src/main/java/fr/univlille/sae/classification/view/MainStageView.java b/src/main/java/fr/univlille/sae/classification/view/MainStageView.java
index 9dda05a6f197125c16482bfa389fb9f090fa5f79..39d6cb935722bf87d326a8dd611ede4a49267a0e 100644
--- a/src/main/java/fr/univlille/sae/classification/view/MainStageView.java
+++ b/src/main/java/fr/univlille/sae/classification/view/MainStageView.java
@@ -8,9 +8,11 @@ import fr.univlille.sae.classification.utils.Observer;
import fr.univlille.sae.classification.utils.ViewUtil;
import javafx.fxml.FXMLLoader;
import javafx.scene.Node;
+import javafx.scene.chart.NumberAxis;
import javafx.scene.chart.ScatterChart;
import javafx.scene.chart.XYChart;
import javafx.scene.control.*;
+import javafx.scene.layout.HBox;
import javafx.scene.shape.*;
import javafx.stage.Stage;
@@ -96,10 +98,129 @@ public class MainStageView extends DataVisualizationView implements Observer {
}
}
+ @Override
+ public void update(Observable observable) {
+ try {
+ if (scatterChart == null || !(observable instanceof ClassificationModel)) {
+ System.err.println("Erreur de mise à jour.");
+ return;
+ }
+
+ scatterChart.getData().clear();
+ serieList.clear();
+
+ if (actualX == null && actualY == null) {
+ controller.setAxesSelected("Aucuns axes sélectionnés");
+ } else {
+ controller.setAxesSelected("");
+ controller.setAxesSelectedDisable();
+
+ List<LoadableData> points = new ArrayList<>(model.getDatas());
+ points.addAll(model.getDataToClass().keySet());
+ for (LoadableData data : points) {
+ Object xValue = data.getAttributesNames().get(actualX);
+ Object yValue = data.getAttributesNames().get(actualY);
+
+
+
+ double x = 0;
+ if(xValue instanceof Number) {
+ x = ((Number) xValue).doubleValue();
+ }
+ double y = 0;
+ if(yValue instanceof Number) {
+ y = ((Number) yValue).doubleValue();
+ }
+ /**
+ Double x = 0.0;
+ if (xValue instanceof Integer) {
+ x = ((Integer) xValue).doubleValue();
+ } else if (xValue instanceof Double) {
+ x = (Double) xValue;
+ }
+
+ Double y = 0.0;
+ if (yValue instanceof Integer) {
+ y = ((Integer) yValue).doubleValue();
+ } else if (yValue instanceof Double) {
+ y = (Double) yValue;
+ }
+ **/
+ ScatterChart.Data<Double, Double> dataPoint = new ScatterChart.Data<>(x, y);
+
+ Node nodePoint = ViewUtil.getForm(data, new Circle(5), controller);
+
+ ScatterChart.Series<Double, Double> editSerie = serieList.get(data.getClassification());
+ if(editSerie == null){
+ editSerie = new ScatterChart.Series<Double, Double>();
+ }
+ if(data.getClassification().equals("undefined") || model.getDataToClass().containsKey(data)) {
+ nodePoint = ViewUtil.getForm(data, new Rectangle(10,10), controller);
+ }
+
+ dataPoint.setNode(nodePoint);
+ editSerie.getData().add(dataPoint);
+ serieList.put(data.getClassification(), editSerie);
+ }
+
+ for(String serie : serieList.keySet()) {
+ serieList.get(serie).setName(serie);
+ }
+ scatterChart.getData().addAll(serieList.values());
+
+
+ HBox hBox = ViewUtil.loadLegend();
+ controller.loadLegend(hBox);
+ }
+
+
+ } catch (Exception e) {
+ System.err.println("Erreur de mise à jour : " + e.getMessage());
+ }
+ }
+ @Override
+ public void update(Observable observable, Object data) {
+ try {
+ if (scatterChart == null || !(observable instanceof ClassificationModel)) {
+ System.err.println("Erreur de mise à jour.");
+ return;
+ }
+ LoadableData newData = (LoadableData) data;
+ if (actualX == null || actualY == null) {
+ controller.setAxesSelected("Aucuns axes sélectionnés");
+ return;
+ }
+ Object attrX = newData.getAttributesNames().get(actualX);
+ Object attrY = newData.getAttributesNames().get(actualY);
+ if (attrX instanceof Integer) {
+ attrX = ((Integer) attrX).doubleValue();
+ }
+ if (attrY instanceof Integer) {
+ attrY = ((Integer) attrY).doubleValue();
+ }
+ XYChart.Data<Double, Double> dataPoint = new XYChart.Data<>(
+ (Double) attrX,
+ (Double) attrY
+ );
+
+ dataPoint.setNode(ViewUtil.getForm(newData, new Rectangle(10, 10), controller));
+ if (!scatterChart.getData().isEmpty()) {
+ series4.getData().add(dataPoint);
+ series4.setName("indéfini");
+ scatterChart.getData().add(series4);
+ }
+
+
+ controller.loadLegend(ViewUtil.loadLegend());
+ } catch (Exception e) {
+ System.err.println("Erreur de mise à jour : " + e.getMessage());
+ }
+ }
+
public MainStageController getController() {
return controller;
}
diff --git a/src/test/java/fr/univlille/sae/classification/model/IrisTest.java b/src/test/java/fr/univlille/sae/classification/model/IrisTest.java
index e0873a5f3a78475d65d874d2e7d40ab6788a9f0a..824be5f4bcf220de6165f03d342622ef2316bb37 100644
--- a/src/test/java/fr/univlille/sae/classification/model/IrisTest.java
+++ b/src/test/java/fr/univlille/sae/classification/model/IrisTest.java
@@ -40,7 +40,7 @@ class IrisTest {
@Test
void getColor() {
- assertEquals(Color.RED, iris.getColor());
+ assertEquals(Color.RED, iris.getClassifications().get(iris.getClassification()));
}
@Test