Skip to content
Snippets Groups Projects
Commit b9568922 authored by Hugo Debuyser's avatar Hugo Debuyser
Browse files

Réglage de conflits

parents 60566bb3 fa457626
No related branches found
No related tags found
No related merge requests found
Show whitespace changes
Inline Side-by-side
Showing
with 882 additions and 206 deletions
DevEfficace/rapport.md
+ 57
− 68
View file @ b9568922
# Algorithme K-NN - Rapport R3.02 (EN COURS - NON RELU)
# Algorithme K-NN - Rapport R3.02
### Groupe H-4
......@@ -8,7 +8,6 @@
- [DEKEISER Matisse](mailto:matisse.dekeiser.etu@univ-lille.fr)
- [DESMONS Hugo](mailto:hugo.desmons.etu@univ-lille.fr)
---
## Implémentation de K-NN
......@@ -17,55 +16,50 @@
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.
Nous avons implémenté l'algorithme K-NN dans une classe `MethodKNN`. Nous avons choisi d'utiliser des méthodes statiques pour faciliter l'utilisation de cet algorithme.
Cette classe contient 5 méthodes permettant d'implémenter l'algorithme K-NN et ses différentes 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.
Cette première méthode permet de mettre à jour les données de l'algorithme. Ainsi, il faut passer en paramètre les données sur lesquelles on souhaite travailler.
Cette méthode va calculer les valeurs max et min ainsi que l'amplitude de chaque attribut des données passé en paramètre.
Cette méthode nécessite 2 parcours : 1 sur les données, puis un sur les valeurs min et max de chaque attribut pour calculer l'amplitude. Il est donc conseillé de n'utiliser cette méthode qu'une fois par jeu de données (le résultat serait le même).
C'est pour cela que cette méthode n'est pas directement appelée dans les méthodes ci-dessous, mais qu'elle doit explicitement être appelée auparavant.
> 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.
Cette méthode a pour objectif de récupérer les **k** voisins les plus proches d'une donnée parmi un jeu de données et selon une distance.
Elle prend donc en paramètres le jeu de données, la donnée pour laquelle on souhaite obtenir les voisins, le nombre de voisins souhaités ainsi que la distance avec laquelle les calculs doivent être effectués.
Cette méthode n'effectue qu'un seul parcours de boucle, et calcule pour chacune des données sa distance avec la donnée passée en paramètre. Les calculs de distance sont définis dans l'objet implémentant l'interface Distance passé en paramètre.
S'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)
Cette méthode a pour objectif d'évaluer la robustesse de l'algorithme sur un jeu de données avec un **k** et une distance donnés. Elle prend en paramètres le jeu de données sur lequel effectuer l'évaluation,
le **k** à tester, la distance à utiliser ainsi qu'un pourcentage correspondant à la partie des données qui sera utilisée afin de tester les données. Exemple avec testPart=0.2, 80% des données serviront de données de reférence et 20% seront utilisées pour tester la
validité de l'algorithme. Cette méthode 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.
Cette méthode a pour objectif de rechercher le meilleur **K** possible pour un jeu de données et une distance donnée.
Elle va tester la totalité des **K** impairs compris entre 1 et racine carrée du nombre de données. Cette valeur max permet d'éviter que le **K** choisi soit trop grand et
fausse les résultats. Elle teste donc la robustesse de chaque **K** et renvoie le **K** ayant la meilleure robustesse. Cette méthode parcourt le jeu de donnée `Kmax * (1/testPart)` fois, où testPart correspond au pourcentage des données utilisées comme valeurs de test.
---
## Validation croisée
#### Rappel de la methode de validation croisée
#### Rappel de la méthode 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).
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.
......@@ -75,73 +69,68 @@ 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.
`1/testPart`. Par exemple, si testPart = 0.1, la méthode effectue 10 itérations, si testPart = 0.2, la méthode effectue 5 itérations, 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).
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.
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.
Après chaque itération, le taux de réussite est calculé (`totalFind/totalTry`) et ajouté à la variable taux.
- Renvoi du taux total moyen de réussite : enfin, on divise la variable taux par le nombre d'itérations afin d'obtenir un taux de réussite moyen.
---
## Choix du meilleur K
Pour obtenir le meilleur **K**, on appelle la méthode `bestK(List<LoadableData> datas, Distance distance)` décrite plus haut. On obtient un **K** optimal, puis on appelle la méthode `robustesse(...)` avec le k trouvé plus tôt comme paramètre.
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:
En appliquant cette méthode, voici les résultats que nous avons obtenus 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 \ k | 1 | 3 | 5 | 7 | 9 | 11 | k choisi |
|-----------------------------------|-------|-------|-------|-------|-------|-------|----------|
| 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 |
| 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.
On obtient donc un taux de réussite plutôt élevé. À chaque fois, l'algorithme choisit le K avec le plus haut taux de réussite. En cas d'égalité, il choisit le plus petit K parmi les égalités.
### Pokemon
### Pokémon
**Classification selon le type**
| 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 \ k | 1 | 3 | 5 | 7 | 9 | 11 | 13 | 15 | 17 | 19 | 21 | k choisi |
|-----------------------------------|-------|-------|-------|-------|-------|-------|----|----|----|----|----|----------|
| 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 |
| 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 |
---
Le taux de reussiste est ici plus bas, cela s'explique notement par le nombre d'attribut different et la complexité a identifier le type d'un pokemon.
Cependant le taux de reussiste reste satisfaisant et stable.
**Classification Legendaire ou Non Legendaire**
Le taux de réussite est ici plus bas, cela s'explique notamment par le nombre d'attributs différents et la complexité à identifier le type d'un Pokémon.
Cependant, le taux de réussite reste satisfaisant et stable.
**Classification (légendaire ou non légendaire)**
| Distance \ K | 1 | 3 | 5 | 7 | 9 | 11 | 13 | 15 | 17 | 19 | 21 | K choisit |
|---------------------------------|-------|-------|-------|-------|-------|-------|----|----|----|----|----|----|
| Distance Euclidienne | 0.986 | 0.978 | 0.984 | 0.980 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 1 |
| Distance Euclidienne Normalisée | 1.0 | 0.998 | 0.998 | 0.996 | 0.996 | 0.998 | 0.998 | 0.998 | 0.998 | 0.998 | 0.998 | 1 |
|-----------------------------------|-------|-------|-------|-------|-------|-------|----|----|----|----|----|----|
| Distance euclidienne | 0.986 | 0.978 | 0.984 | 0.980 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 1 |
| Distance euclidienne (normalisée) | 1.0 | 0.998 | 0.998 | 0.996 | 0.996 | 0.998 | 0.998 | 0.998 | 0.998 | 0.998 | 0.998 | 1 |
| Distance Manhattan | 0.978 | 0.972 | 0.984 | 0.980 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 5 |
| Distance Manhattan Normalisée | 0.980 | 0.984 | 0.988 | 0.984 | 0.984 | 0.986 | 0.986 | 0.986 | 0.986 | 0.986 | 0.984 | 5 |
| Distance Manhattan (normalisée) | 0.980 | 0.984 | 0.988 | 0.984 | 0.984 | 0.986 | 0.986 | 0.986 | 0.986 | 0.986 | 0.984 | 5 |
On a ici des résultats bien meilleurs. En effet, estimer si un Pokemon est legendaire ou non est bien plus simple qu'estimer son type, les attributs des pokemons legendaires sont bien différent des pokemons non-legendaire contrairement aux types, ou selon les types, les valeurs ne fluctuent pas autant
On a ici des résultats bien meilleurs. En effet, estimer si un Pokémon est légendaire ou non est bien plus simple qu'estimer son type, les attributs des Pokémons légendaires sont bien différents de ceux non-légendaires, contrairement aux types, où, selon les types, les valeurs ne fluctuent pas autant.
---
## 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
Comme expliqué pour chaque méthode dans la partie `Implémentation` de l'algorithme, nous avons cherché à minimiser le nombre de parcours du fichier de données, et plus généralement le nombre de boucles.
L'algorithme nécessite une `List` qui sera donnée en paramètre, il est donc libre à la personne qui l'utilise de fournir l'implémentation de `List` qu'il souhaite. De plus, pour le calcul des paramètres du jeu de données
`(amplitude, valeur minimale, valeur maximale)`, nous avons utilisé un tableau de `double` afin de limiter les performances.
\ No newline at end of file
res/data/pokemon_train_corrige.csv 0 → 100644
+ 508
− 0
View file @ b9568922
name,attack,base_egg_steps,capture_rate,defense,experience_growth,hp,sp_attack,sp_defense,type1,type2,speed,is_legendary
Swablu,40,5120,255.0,60,600000,45,40,75,normal,flying,50,False
Budew,30,5120,255.0,35,1059860,40,50,70,grass,poison,55,False
Minun,40,5120,200.0,50,1000000,60,75,85,electric,,95,False
Metapod,20,3840,120.0,55,1000000,50,25,25,bug,,30,False
Chikorita,49,5120,45.0,65,1059860,45,49,65,grass,,45,False
Pinsir,155,6400,45.0,120,1250000,65,65,90,bug,,105,False
Cinccino,95,3840,60.0,60,800000,75,65,60,normal,,115,False
Elgyem,55,5120,255.0,55,1000000,55,85,55,psychic,,30,False
Foongus,55,5120,190.0,45,1000000,69,55,55,grass,poison,15,False
Ariados,90,3840,90.0,70,800000,70,60,70,bug,poison,40,False
Aipom,70,5120,45.0,55,800000,55,40,55,normal,,85,False
Accelgor,70,3840,75.0,40,1000000,80,100,60,bug,,145,False
Dialga,120,30720,3.0,120,1250000,100,150,100,steel,dragon,90,True
Starly,55,3840,255.0,30,1059860,40,30,30,normal,flying,60,False
Ledyba,20,3840,255.0,30,800000,40,40,80,bug,flying,55,False
Politoed,75,5120,45.0,75,1059860,90,90,100,water,,70,False
Dodrio,110,5120,45.0,70,1000000,60,60,60,normal,flying,110,False
Aggron,140,8960,45.0,230,1250000,70,60,80,steel,rock,50,False
Mankey,80,5120,190.0,35,1000000,40,35,45,fighting,,70,False
Hitmonlee,120,6400,45.0,53,1000000,50,35,110,fighting,,87,False
Oshawott,55,5120,45.0,45,1059860,55,63,45,water,,45,False
Cyndaquil,52,5120,45.0,43,1059860,39,60,50,fire,,65,False
Goldeen,67,5120,225.0,60,1000000,45,35,50,water,,63,False
Swinub,50,5120,225.0,40,1250000,50,30,30,ice,ground,50,False
Nihilego,53,30720,45.0,47,1250000,109,127,131,rock,poison,103,True
Mudkip,70,5120,45.0,50,1059860,50,50,50,water,,40,False
Sewaddle,53,3840,255.0,70,1059860,45,40,60,bug,grass,42,False
Weezing,90,5120,60.0,120,1000000,65,85,70,poison,,60,False
Grumpig,45,5120,60.0,65,800000,80,90,110,psychic,,80,False
Lopunny,136,5120,60.0,94,1000000,65,54,96,normal,,135,False
Togepi,20,2560,190.0,65,800000,35,40,65,fairy,,20,False
Teddiursa,80,5120,120.0,50,1000000,60,50,50,normal,,40,False
Lampent,40,5120,90.0,60,1059860,60,95,60,ghost,fire,55,False
Palkia,120,30720,3.0,100,1250000,90,150,120,water,dragon,100,True
Shroomish,40,3840,255.0,60,1640000,60,40,60,grass,,35,False
Porygon-Z,80,5120,30.0,70,1000000,85,135,75,normal,,90,False
Flygon,100,5120,45.0,80,1059860,80,80,80,ground,dragon,100,False
Tynamo,55,5120,190.0,40,1250000,35,45,40,electric,,60,False
Machop,80,5120,180.0,50,1059860,70,35,35,fighting,,35,False
Zekrom,150,30720,3.0,120,1250000,100,120,100,dragon,electric,90,True
Wigglytuff,70,2560,50.0,45,800000,140,85,50,normal,fairy,45,False
Heracross,185,6400,45.0,115,1250000,80,40,105,bug,fighting,75,False
Archeops,140,7680,45.0,65,1000000,75,112,65,rock,flying,110,False
Gyarados,155,1280,45.0,109,1250000,95,70,130,water,flying,81,False
Gliscor,95,5120,30.0,125,1059860,75,45,75,ground,flying,95,False
Tranquill,77,3840,120.0,62,1059860,62,50,42,normal,flying,65,False
Gardevoir,85,5120,45.0,65,1250000,68,165,135,psychic,fairy,100,False
Azelf,125,20480,3.0,70,1250000,75,125,70,psychic,,115,True
Regice,50,20480,3.0,100,1250000,80,100,200,ice,,50,True
Roselia,60,5120,150.0,45,1059860,50,100,80,grass,poison,65,False
Chimecho,50,6400,45.0,80,800000,75,95,90,psychic,,65,False
Bounsweet,30,5120,235.0,38,1059860,42,30,38,grass,,32,False
Pikachu,55,2560,190.0,40,1000000,35,50,50,electric,,90,False
Articuno,85,20480,3.0,100,1250000,90,95,125,ice,flying,85,True
Machoke,100,5120,90.0,70,1059860,80,50,60,fighting,,45,False
Gumshoos,110,3840,127.0,60,1000000,88,55,60,normal,,45,False
Pikipek,75,3840,255.0,30,1000000,35,30,30,normal,flying,65,False
Cloyster,95,5120,60.0,180,1250000,50,85,45,water,ice,70,False
Crawdaunt,120,3840,155.0,85,1640000,63,90,55,water,dark,55,False
Whismur,51,5120,190.0,23,1059860,64,51,23,normal,,28,False
Silcoon,35,3840,120.0,55,1000000,50,25,25,bug,,15,False
Chandelure,55,5120,45.0,90,1059860,60,145,90,ghost,fire,80,False
Jumpluff,55,5120,45.0,70,1059860,75,55,95,grass,flying,110,False
Amoonguss,85,5120,75.0,70,1000000,114,85,80,grass,poison,30,False
Victreebel,105,5120,45.0,65,1059860,80,100,70,grass,poison,70,False
Metagross,145,10240,3.0,150,1250000,80,105,110,steel,psychic,110,False
Braixen,59,5120,45.0,58,1059860,59,90,70,fire,,73,False
Tapu Bulu,130,3840,3.0,115,1250000,70,85,95,grass,fairy,75,True
Magikarp,10,1280,255.0,55,1250000,20,15,20,water,,80,False
Simisear,98,5120,75.0,63,1000000,75,98,63,fire,,101,False
Charjabug,82,3840,120.0,95,1000000,57,55,75,bug,electric,36,False
Ducklett,44,5120,190.0,50,1000000,62,44,50,water,flying,55,False
Eelektrik,85,5120,60.0,70,1250000,65,75,70,electric,,40,False
Gallade,165,5120,45.0,95,1250000,68,65,115,psychic,fighting,110,False
Fletchling,50,3840,255.0,43,1059860,45,40,38,normal,flying,62,False
Murkrow,85,5120,30.0,42,1059860,60,85,42,dark,flying,91,False
Noctowl,50,3840,90.0,50,1000000,100,86,96,normal,flying,70,False
Anorith,95,7680,45.0,50,600000,45,40,50,rock,bug,75,False
Forretress,90,5120,75.0,140,1000000,75,60,60,bug,steel,40,False
Nidorino,72,5120,120.0,57,1059860,61,55,55,poison,,65,False
Ferroseed,50,5120,255.0,91,1000000,44,24,86,grass,steel,10,False
Chingling,30,6400,120.0,50,800000,45,65,50,psychic,,45,False
Duskull,40,6400,190.0,90,800000,20,30,90,ghost,,25,False
Mimikyu,90,5120,45.0,80,1000000,55,50,105,ghost,fairy,96,False
Fearow,90,3840,90.0,65,1000000,65,61,61,normal,flying,100,False
Reshiram,120,30720,3.0,100,1250000,100,150,120,dragon,fire,90,True
Magnemite,35,5120,190.0,70,1000000,25,95,55,electric,steel,45,False
Huntail,104,5120,60.0,105,600000,55,94,75,water,,52,False
Ambipom,100,5120,45.0,66,800000,75,60,66,normal,,115,False
Snivy,45,5120,45.0,55,1059860,45,45,55,grass,,63,False
Spinda,60,3840,255.0,60,800000,60,60,60,normal,,60,False
Croagunk,61,2560,140.0,40,1000000,48,61,40,poison,fighting,50,False
Mesprit,105,20480,3.0,105,1250000,80,105,105,psychic,,80,True
Poliwag,50,5120,255.0,40,1059860,40,40,40,water,,90,False
Oricorio,70,5120,45.0,70,1000000,75,98,70,fire,flying,93,False
Golurk,124,6400,90.0,80,1000000,89,55,80,ground,ghost,55,False
Armaldo,125,7680,45.0,100,600000,75,70,80,rock,bug,45,False
Electabuzz,83,6400,45.0,57,1000000,65,95,85,electric,,105,False
Ursaring,130,5120,60.0,75,1000000,90,75,75,normal,,55,False
Bewear,125,3840,70.0,80,1000000,120,55,60,normal,fighting,60,False
Charizard,104,5120,45.0,78,1059860,78,159,115,fire,flying,100,False
Vanillite,50,5120,255.0,50,1250000,36,65,60,ice,,44,False
Floette,65,5120,120.0,67,1000000,74,125,128,fairy,,92,False
Happiny,5,10240,130.0,5,800000,100,15,65,normal,,30,False
Deino,65,10240,45.0,50,1250000,52,45,50,dark,dragon,38,False
Hoothoot,30,3840,255.0,30,1000000,60,36,56,normal,flying,50,False
Volcarona,60,10240,15.0,65,1250000,85,135,105,bug,fire,100,False
Sylveon,65,8960,45.0,65,1000000,95,110,130,fairy,,60,False
Finneon,49,5120,190.0,56,600000,49,49,61,water,,66,False
Rufflet,83,5120,190.0,50,1250000,70,37,50,normal,flying,60,False
Karrablast,75,3840,200.0,45,1000000,50,40,45,bug,,60,False
Lotad,30,3840,255.0,30,1059860,40,40,50,water,grass,30,False
Lapras,85,10240,45.0,80,1250000,130,85,95,water,ice,60,False
Poliwhirl,65,5120,120.0,65,1059860,65,50,50,water,,90,False
Sawsbuck,100,5120,75.0,70,1000000,80,60,70,normal,grass,95,False
Piloswine,100,5120,75.0,80,1250000,100,60,60,ice,ground,50,False
Litten,65,3840,45.0,40,1059860,45,60,40,fire,,70,False
Clauncher,53,3840,225.0,62,1250000,50,58,63,water,,44,False
Zoroark,105,5120,45.0,60,1059860,60,120,60,dark,,105,False
Garbodor,95,5120,60.0,82,1000000,80,60,82,poison,,75,False
Deerling,60,5120,190.0,50,1000000,60,40,50,normal,grass,75,False
Illumise,47,3840,150.0,75,1640000,65,73,85,bug,,85,False
Unfezant,115,3840,45.0,80,1059860,80,65,55,normal,flying,93,False
Manaphy,100,2560,3.0,100,1250000,100,100,100,water,,100,True
Glaceon,60,8960,45.0,110,1000000,65,130,95,ice,,65,False
Vikavolt,70,3840,45.0,90,1000000,77,145,75,bug,electric,43,False
Xatu,75,5120,75.0,70,1000000,65,95,70,psychic,flying,95,False
Galvantula,77,5120,75.0,60,1000000,70,97,60,bug,electric,108,False
Fraxure,117,10240,60.0,70,1250000,66,40,50,dragon,,67,False
Exeggcute,40,5120,90.0,80,1250000,60,60,45,grass,psychic,40,False
Baltoy,40,5120,255.0,55,1000000,40,40,70,ground,psychic,55,False
Zebstrika,100,5120,75.0,63,1000000,75,80,63,electric,,116,False
Loudred,71,5120,120.0,43,1059860,84,71,43,normal,,48,False
Cofagrigus,50,6400,90.0,145,1000000,58,95,105,ghost,,30,False
Cubone,50,5120,190.0,95,1000000,50,40,50,ground,,35,False
Virizion,90,20480,3.0,72,1250000,91,90,129,grass,fighting,108,True
Groudon,180,30720,3.0,160,1250000,100,150,90,ground,,90,True
Sunkern,30,5120,235.0,30,1059860,30,30,30,grass,,30,False
Lurantis,105,5120,75.0,90,1000000,70,80,90,grass,,45,False
Quilladin,78,5120,45.0,95,1059860,61,56,58,grass,,57,False
Lunala,113,30720,45.0,89,1250000,137,137,107,psychic,ghost,97,True
Infernape,104,5120,45.0,71,1059860,76,104,71,fire,fighting,108,False
Exploud,91,5120,45.0,63,1059860,104,91,73,normal,,68,False
Zubat,45,3840,255.0,35,1000000,40,30,40,poison,flying,55,False
Tapu Lele,85,3840,3.0,75,1250000,70,130,115,psychic,fairy,95,True
Hakamo-o,75,10240,45.0,90,1250000,55,65,70,dragon,fighting,65,False
Floatzel,105,5120,75.0,55,1000000,85,85,50,water,,115,False
Gurdurr,105,5120,90.0,85,1059860,85,40,50,fighting,,40,False
Kricketot,25,3840,255.0,41,1059860,37,25,41,bug,,25,False
Terrakion,129,20480,3.0,90,1250000,91,72,90,rock,fighting,108,True
Roggenrola,75,3840,255.0,85,1059860,55,25,25,rock,,15,False
Masquerain,60,3840,75.0,62,1000000,70,100,82,bug,flying,80,False
Crabominable,132,5120,60.0,77,1000000,97,62,67,fighting,ice,43,False
Dusknoir,100,6400,45.0,135,800000,45,65,135,ghost,,45,False
Gastrodon,83,5120,75.0,68,1000000,111,92,82,water,ground,39,False
Riolu,70,6400,75.0,40,1059860,40,35,40,fighting,,60,False
Kangaskhan,125,5120,45.0,100,1000000,105,60,100,normal,,100,False
Treecko,45,5120,45.0,35,1059860,40,65,55,grass,,70,False
Darumaka,90,5120,120.0,45,1059860,70,15,45,fire,,50,False
Wartortle,63,5120,45.0,80,1059860,59,65,80,water,,58,False
Azumarill,50,2560,75.0,80,800000,100,60,80,water,fairy,50,False
Swirlix,48,5120,200.0,66,1000000,62,59,57,fairy,,49,False
Shiinotic,45,5120,75.0,80,1000000,60,90,100,grass,fairy,30,False
Spoink,25,5120,255.0,35,800000,60,70,80,psychic,,60,False
Pyukumuku,60,3840,60.0,130,800000,55,30,130,water,,5,False
Rhydon,130,5120,60.0,120,1250000,105,45,45,ground,rock,40,False
Lileep,41,7680,45.0,77,600000,66,61,87,rock,grass,23,False
Steelix,125,6400,25.0,230,1000000,75,55,95,steel,ground,30,False
Palossand,75,3840,60.0,110,1000000,85,100,75,ghost,ground,35,False
Ralts,25,5120,235.0,25,1250000,28,45,35,psychic,fairy,40,False
Buzzwole,139,30720,25.0,139,1250000,107,53,53,bug,fighting,79,True
Wailmer,70,10240,125.0,35,1640000,130,70,35,water,,60,False
Jellicent,60,5120,60.0,70,1000000,100,85,105,water,ghost,60,False
Stunky,63,5120,225.0,47,1000000,63,41,41,poison,dark,74,False
Yungoos,70,3840,255.0,30,1000000,48,30,30,normal,,45,False
Morelull,35,5120,190.0,55,1000000,40,65,75,grass,fairy,15,False
Buizel,65,5120,190.0,35,1000000,55,60,30,water,,85,False
Hippowdon,112,7680,60.0,118,1250000,108,68,72,ground,,47,False
Nidoran♀,47,5120,235.0,52,1059860,55,40,40,poison,,41,False
Samurott,100,5120,45.0,85,1059860,95,108,70,water,,70,False
Omanyte,40,7680,45.0,100,1000000,35,90,55,rock,water,35,False
Blaziken,160,5120,45.0,80,1059860,80,130,80,fire,fighting,100,False
Golbat,80,3840,90.0,70,1000000,75,65,75,poison,flying,90,False
Dratini,64,10240,45.0,45,1250000,41,50,50,dragon,,50,False
Meganium,82,5120,45.0,100,1059860,80,83,100,grass,,80,False
Delphox,69,5120,45.0,72,1059860,75,114,100,fire,psychic,104,False
Corphish,80,3840,205.0,65,1640000,43,50,35,water,,35,False
Araquanid,70,3840,100.0,92,1000000,68,50,132,water,bug,42,False
Cleffa,25,2560,150.0,28,800000,50,45,55,fairy,,15,False
Xurkitree,89,30720,30.0,71,1250000,83,173,71,electric,,83,True
Doduo,85,5120,190.0,45,1000000,35,35,35,normal,flying,75,False
Basculin,92,10240,25.0,65,1000000,70,80,55,water,,98,False
Bidoof,45,3840,255.0,40,1000000,59,35,40,normal,,31,False
Krookodile,117,5120,45.0,80,1059860,95,65,70,ground,dark,92,False
Spinarak,60,3840,255.0,40,800000,40,40,40,bug,poison,30,False
Girafarig,80,5120,60.0,65,1000000,70,90,65,normal,psychic,85,False
Pangoro,124,6400,65.0,78,1000000,95,69,71,fighting,dark,58,False
Butterfree,45,3840,45.0,50,1000000,60,90,80,bug,flying,70,False
Altaria,110,5120,45.0,110,600000,75,110,105,dragon,flying,80,False
Electrode,50,5120,60.0,70,1000000,60,80,80,electric,,150,False
Phanpy,60,5120,120.0,60,1000000,90,40,40,ground,,40,False
Vileplume,80,5120,45.0,85,1059860,75,110,90,grass,poison,50,False
Kyurem,120,30720,3.0,90,1250000,125,170,100,dragon,ice,95,True
Beautifly,70,3840,45.0,50,1000000,60,100,50,bug,flying,65,False
Kommo-o,110,10240,45.0,125,1250000,75,100,105,dragon,fighting,85,False
Zorua,65,6400,75.0,40,1059860,40,80,40,dark,,65,False
Wormadam,69,3840,45.0,95,1000000,60,69,95,bug,grass,36,False
Boldore,105,3840,120.0,105,1059860,70,50,40,rock,,20,False
Meloetta,128,30720,3.0,90,1250000,100,77,77,normal,psychic,128,True
Sandile,72,5120,180.0,35,1059860,50,35,35,ground,dark,65,False
Farfetch'd,90,5120,45.0,55,1000000,52,58,62,normal,flying,60,False
Nosepass,45,5120,255.0,135,1000000,30,45,90,rock,,30,False
Shelgon,95,10240,45.0,100,1250000,65,60,50,dragon,,50,False
Yanmega,76,5120,30.0,86,1000000,86,116,56,bug,flying,95,False
Granbull,120,5120,75.0,75,800000,90,60,60,fairy,,45,False
Grovyle,65,5120,45.0,45,1059860,50,85,65,grass,,95,False
Swoobat,57,3840,45.0,55,1000000,67,77,55,psychic,flying,114,False
Grubbin,62,3840,255.0,45,1000000,47,55,45,bug,,46,False
Lairon,90,8960,90.0,140,1250000,60,50,50,steel,rock,40,False
Kecleon,90,5120,200.0,70,1059860,60,60,120,normal,,40,False
Psyduck,52,5120,190.0,48,1000000,50,65,50,water,,55,False
Gulpin,43,5120,225.0,53,1640000,70,43,53,poison,,40,False
Wobbuffet,33,5120,45.0,58,1000000,190,33,58,psychic,,33,False
Lickilicky,85,5120,30.0,95,1000000,110,80,95,normal,,50,False
Chespin,61,5120,45.0,65,1059860,56,48,45,grass,,38,False
Giratina,120,30720,3.0,100,1250000,150,120,100,ghost,dragon,90,True
Suicune,75,20480,3.0,115,1250000,100,90,115,water,,85,True
Inkay,54,5120,190.0,53,1000000,53,37,46,dark,psychic,45,False
Alakazam,50,5120,50.0,65,1059860,55,175,105,psychic,,150,False
Latias,100,30720,3.0,120,1250000,80,140,150,dragon,psychic,110,True
Popplio,54,3840,45.0,54,1059860,50,66,56,water,,40,False
Magby,75,6400,45.0,37,1000000,45,70,55,fire,,83,False
Aerodactyl,135,8960,45.0,85,1250000,80,70,95,rock,flying,150,False
Drifblim,80,7680,60.0,44,1640000,150,90,54,ghost,flying,80,False
Clawitzer,73,3840,55.0,88,1250000,71,120,89,water,,59,False
Slowbro,75,5120,75.0,180,1000000,95,130,80,water,psychic,30,False
Komala,115,5120,45.0,65,1250000,65,75,95,normal,,65,False
Feebas,15,5120,255.0,20,600000,20,10,55,water,,80,False
Vanilluxe,95,5120,45.0,85,1250000,71,110,95,ice,,79,False
Probopass,55,5120,60.0,145,1000000,60,75,150,rock,steel,40,False
Heliolisk,55,5120,75.0,52,1000000,62,109,94,electric,normal,109,False
Frillish,40,5120,190.0,50,1000000,55,65,85,water,ghost,40,False
Hitmontop,95,6400,45.0,95,1000000,50,35,110,fighting,,70,False
Goodra,100,10240,45.0,70,1250000,90,110,150,dragon,,80,False
Nidorina,62,5120,120.0,67,1059860,70,55,55,poison,,56,False
Umbreon,65,8960,45.0,110,1000000,95,60,130,dark,,65,False
Munna,25,2560,190.0,45,800000,76,67,55,psychic,,24,False
Froslass,80,5120,75.0,70,1000000,70,80,70,ice,ghost,110,False
Abra,20,5120,200.0,15,1059860,25,105,55,psychic,,90,False
Pineco,65,5120,190.0,90,1000000,50,35,35,bug,,15,False
Weepinbell,90,5120,120.0,50,1059860,65,85,45,grass,poison,55,False
Wooper,45,5120,255.0,45,1000000,55,25,25,water,ground,15,False
Arcanine,110,5120,75.0,80,1250000,90,100,80,fire,,95,False
Magcargo,50,5120,75.0,120,1000000,60,90,80,fire,rock,30,False
Feraligatr,105,5120,45.0,100,1059860,85,79,83,water,,78,False
Conkeldurr,140,5120,45.0,95,1059860,105,55,65,fighting,,45,False
Greninja,145,5120,45.0,67,1059860,72,153,71,water,dark,132,False
Toucannon,120,3840,45.0,75,1000000,80,75,75,normal,flying,60,False
Munchlax,85,10240,50.0,40,1250000,135,40,85,normal,,5,False
Oddish,50,5120,255.0,55,1059860,45,75,65,grass,poison,30,False
Chinchou,38,5120,190.0,38,1250000,75,56,56,water,electric,67,False
Rayquaza,180,30720,45.0,100,1250000,105,180,100,dragon,flying,115,True
Scrafty,90,3840,90.0,115,1000000,65,45,115,dark,fighting,58,False
Gourgeist,100,5120,60.0,122,1000000,85,58,75,ghost,grass,54,False
Type: Null,95,30720,3.0,95,1250000,95,95,95,normal,,59,False
Onix,45,6400,45.0,160,1000000,35,30,45,rock,ground,70,False
Remoraid,65,5120,190.0,35,1000000,35,65,35,water,,65,False
Voltorb,30,5120,190.0,50,1000000,40,55,55,electric,,100,False
Glalie,120,5120,75.0,80,1000000,80,120,80,ice,,100,False
Trevenant,110,5120,60.0,76,1000000,85,65,82,ghost,grass,56,False
Dustox,50,3840,45.0,70,1000000,60,50,90,bug,poison,65,False
Drilbur,85,5120,120.0,40,1000000,60,30,45,ground,,68,False
Skiddo,65,5120,200.0,48,1000000,66,62,57,grass,,52,False
Scraggy,75,3840,180.0,70,1000000,50,35,70,dark,fighting,48,False
Venipede,45,3840,255.0,59,1059860,30,30,39,bug,poison,57,False
Kabuto,80,7680,45.0,90,1000000,30,55,45,rock,water,55,False
Latios,130,30720,3.0,100,1250000,80,160,120,dragon,psychic,110,True
Gengar,65,5120,45.0,80,1059860,60,170,95,ghost,poison,130,False
Typhlosion,84,5120,45.0,78,1059860,78,109,85,fire,,100,False
Seaking,92,5120,60.0,65,1000000,80,65,80,water,,68,False
Poochyena,55,3840,255.0,35,1000000,35,30,30,dark,,35,False
Sentret,46,3840,255.0,34,1000000,35,35,45,normal,,20,False
Cottonee,27,5120,190.0,60,1000000,40,37,50,grass,fairy,66,False
Miltank,80,5120,45.0,105,1250000,95,40,70,normal,,100,False
Pachirisu,45,2560,200.0,70,1000000,60,45,90,electric,,95,False
Honchkrow,125,5120,30.0,52,1059860,100,105,52,dark,flying,71,False
Regigigas,160,30720,3.0,110,1250000,110,80,110,normal,,100,True
Combusken,85,5120,45.0,60,1059860,60,85,60,fire,fighting,55,False
Walrein,80,5120,45.0,90,1059860,110,95,90,ice,water,65,False
Monferno,78,5120,45.0,52,1059860,64,78,52,fire,fighting,81,False
Taillow,55,3840,200.0,30,1059860,40,30,30,normal,flying,85,False
Gogoat,100,5120,45.0,62,1000000,123,97,81,grass,,68,False
Comfey,52,5120,60.0,90,800000,51,82,110,fairy,,100,False
Jynx,50,6400,45.0,35,1000000,65,115,95,ice,psychic,95,False
Amaura,59,7680,45.0,50,1000000,77,67,63,rock,ice,46,False
Koffing,65,5120,190.0,95,1000000,40,60,45,poison,,35,False
Swellow,85,3840,45.0,60,1059860,60,75,50,normal,flying,125,False
Vibrava,70,5120,120.0,50,1059860,50,50,50,ground,dragon,70,False
Shiftry,100,3840,45.0,60,1059860,90,90,60,grass,dark,80,False
Crabrawler,82,5120,225.0,57,1000000,47,42,47,fighting,,63,False
Horsea,40,5120,225.0,70,1000000,30,70,25,water,,60,False
Unown,72,10240,225.0,48,1000000,48,72,48,psychic,,48,False
Hitmonchan,105,6400,45.0,79,1000000,50,35,110,fighting,,76,False
Snubbull,80,5120,190.0,50,800000,60,40,40,fairy,,30,False
Kartana,181,30720,255.0,131,1250000,59,59,31,grass,steel,109,True
Slakoth,60,3840,255.0,60,1250000,60,35,35,normal,,30,False
Pansear,53,5120,190.0,48,1000000,50,53,48,fire,,64,False
Maractus,86,5120,255.0,67,1000000,75,106,67,grass,,60,False
Espurr,48,5120,190.0,54,1000000,62,63,60,psychic,,68,False
Cherrim,60,5120,75.0,70,1000000,70,87,78,grass,,85,False
Doublade,110,5120,90.0,150,1000000,59,45,49,steel,ghost,35,False
Tsareena,120,5120,45.0,98,1059860,72,50,98,grass,,72,False
Wimpod,35,5120,90.0,40,1000000,25,20,30,bug,water,80,False
Tyrantrum,121,7680,45.0,119,1000000,82,69,59,rock,dragon,71,False
Bagon,75,10240,45.0,60,1250000,45,40,30,dragon,,50,False
Moltres,100,20480,3.0,90,1250000,90,125,85,fire,flying,90,True
Quagsire,85,5120,90.0,85,1000000,95,65,65,water,ground,35,False
Carvanha,90,5120,225.0,20,1250000,45,65,20,water,dark,65,False
Beldum,55,10240,3.0,80,1250000,40,35,60,steel,psychic,30,False
Mew,100,30720,45.0,100,1059860,100,100,100,psychic,,100,True
Gorebyss,84,5120,60.0,105,600000,55,114,75,water,,52,False
Excadrill,135,5120,60.0,60,1000000,110,50,65,ground,steel,88,False
Mienfoo,85,6400,180.0,50,1059860,45,55,50,fighting,,65,False
Patrat,55,3840,255.0,39,1000000,45,35,39,normal,,42,False
Houndoom,90,5120,45.0,90,1250000,75,140,90,dark,fire,115,False
Uxie,75,20480,3.0,130,1250000,75,75,130,psychic,,95,True
Passimian,120,5120,45.0,90,1250000,100,40,60,fighting,,80,False
Luxio,85,5120,120.0,49,1059860,60,60,49,electric,,60,False
Electrike,45,5120,120.0,40,1250000,40,65,40,electric,,65,False
Jolteon,65,8960,45.0,60,1000000,65,110,95,electric,,130,False
Clefable,70,2560,25.0,73,800000,95,95,90,fairy,,60,False
Goomy,50,10240,45.0,35,1250000,45,55,75,dragon,,40,False
Ampharos,95,5120,45.0,105,1059860,90,165,110,electric,,45,False
Hippopotas,72,7680,140.0,78,1250000,68,38,42,ground,,32,False
Genesect,120,30720,3.0,95,1250000,71,120,95,bug,steel,99,True
Misdreavus,60,6400,45.0,60,800000,60,85,85,ghost,,85,False
Absol,150,6400,30.0,60,1059860,65,115,60,dark,,115,False
Noibat,30,5120,190.0,35,1000000,40,45,40,flying,dragon,55,False
Talonflame,81,3840,45.0,71,1059860,78,74,69,fire,flying,126,False
Stufful,75,3840,140.0,50,1000000,70,45,50,normal,fighting,50,False
Swanna,87,5120,45.0,63,1000000,75,87,63,water,flying,98,False
Dusclops,70,6400,90.0,130,800000,40,60,130,ghost,,25,False
Torkoal,85,5120,90.0,140,1000000,70,85,70,fire,,20,False
Chesnaught,107,5120,45.0,122,1059860,88,74,75,grass,fighting,64,False
Vanillish,65,5120,120.0,65,1250000,51,80,75,ice,,59,False
Spheal,40,5120,255.0,50,1059860,70,55,50,ice,water,25,False
Clefairy,45,2560,150.0,48,800000,70,60,65,fairy,,35,False
Donphan,120,5120,60.0,120,1000000,90,60,60,ground,,50,False
Barbaracle,105,5120,45.0,115,1000000,72,54,86,rock,water,68,False
Aron,70,8960,180.0,100,1250000,50,40,40,steel,rock,30,False
Purrloin,50,5120,255.0,37,1000000,41,50,37,dark,,66,False
Cranidos,125,7680,45.0,40,600000,67,30,30,rock,,58,False
Torchic,60,5120,45.0,40,1059860,45,70,50,fire,,45,False
Growlithe,70,5120,190.0,45,1250000,55,70,50,fire,,60,False
Pancham,82,6400,220.0,62,1000000,67,46,48,fighting,,43,False
Flaaffy,55,5120,120.0,55,1059860,70,80,60,electric,,45,False
Electivire,123,6400,30.0,67,1000000,75,95,85,electric,,95,False
Phantump,70,5120,120.0,48,1000000,43,50,60,ghost,grass,38,False
Steenee,40,5120,120.0,48,1059860,52,40,48,grass,,62,False
Staraptor,120,3840,45.0,70,1059860,85,50,60,normal,flying,100,False
Grotle,89,5120,45.0,85,1059860,75,55,65,grass,,36,False
Emboar,123,5120,45.0,65,1059860,110,100,65,fire,fighting,65,False
Solosis,30,5120,200.0,40,1059860,45,105,50,psychic,,20,False
Hawlucha,92,5120,100.0,75,1000000,78,74,63,fighting,flying,118,False
Servine,60,5120,45.0,75,1059860,60,60,75,grass,,83,False
Tentacool,40,5120,190.0,35,1250000,40,50,100,water,poison,70,False
Shuckle,10,5120,190.0,230,1059860,20,10,230,bug,rock,5,False
Marill,20,2560,190.0,50,800000,70,20,50,water,fairy,40,False
Furfrou,80,5120,160.0,60,1000000,75,65,90,normal,,102,False
Zangoose,115,5120,90.0,60,600000,73,60,60,normal,,90,False
Skitty,45,3840,255.0,45,800000,50,35,35,normal,,50,False
Porygon2,80,5120,45.0,90,1000000,85,105,95,normal,,60,False
Bouffalant,110,5120,45.0,95,1000000,95,40,95,normal,,55,False
Mantine,40,6400,25.0,70,1250000,85,80,140,water,flying,70,False
Avalugg,117,5120,55.0,184,1000000,95,44,46,ice,,28,False
Smoochum,30,6400,45.0,15,1000000,45,85,65,ice,psychic,65,False
Milotic,60,5120,60.0,79,600000,95,100,125,water,,81,False
Frogadier,63,5120,45.0,52,1059860,54,83,56,water,,97,False
Pansage,53,5120,190.0,48,1000000,50,53,48,grass,,64,False
Mr. Mime,45,6400,45.0,65,1000000,40,100,120,psychic,fairy,90,False
Skuntank,93,5120,60.0,67,1000000,103,71,61,poison,dark,84,False
Kyogre,150,30720,3.0,90,1250000,100,180,160,water,,90,True
Kabutops,115,7680,45.0,105,1000000,60,65,70,rock,water,80,False
Minccino,50,3840,255.0,40,800000,55,40,40,normal,,75,False
Croconaw,80,5120,45.0,80,1059860,65,59,63,water,,58,False
Rotom,65,5120,45.0,107,1000000,50,105,107,electric,ghost,86,False
Bayleef,62,5120,45.0,80,1059860,60,63,80,grass,,60,False
Gligar,75,5120,60.0,105,1059860,65,35,65,ground,flying,85,False
Makuhita,60,5120,180.0,30,1640000,72,20,30,fighting,,25,False
Squirtle,48,5120,45.0,65,1059860,44,50,64,water,,43,False
Nidoqueen,92,5120,45.0,87,1059860,90,75,85,poison,ground,76,False
Crustle,105,5120,75.0,125,1000000,70,65,75,bug,rock,45,False
Carnivine,100,6400,200.0,72,1250000,74,90,72,grass,,46,False
Ditto,48,5120,35.0,48,1000000,48,48,48,normal,,48,False
Snorunt,50,5120,190.0,50,1000000,50,50,50,ice,,50,False
Purugly,82,5120,75.0,64,800000,71,64,59,normal,,112,False
Magmortar,95,6400,30.0,67,1000000,75,125,95,fire,,83,False
Magneton,60,5120,60.0,95,1000000,50,120,70,electric,steel,70,False
Bronzong,89,5120,90.0,116,1000000,67,79,116,steel,psychic,33,False
Golett,74,6400,190.0,50,1000000,59,35,50,ground,ghost,35,False
Slaking,160,3840,45.0,100,1250000,150,95,65,normal,,100,False
Burmy,29,3840,120.0,45,1000000,40,29,45,bug,,36,False
Dewgong,70,5120,75.0,80,1000000,90,70,95,water,ice,70,False
Stunfisk,66,5120,75.0,84,1000000,109,81,99,ground,electric,32,False
Gastly,35,5120,190.0,30,1059860,30,100,35,ghost,poison,80,False
Blastoise,103,5120,45.0,120,1059860,79,135,115,water,,78,False
Turtonator,78,5120,70.0,135,1000000,60,91,85,fire,dragon,36,False
Spewpa,22,3840,120.0,60,1000000,45,27,30,bug,,29,False
Pelipper,50,5120,45.0,100,1000000,60,95,70,water,flying,65,False
Stantler,95,5120,45.0,62,1250000,73,85,65,normal,,85,False
Barboach,48,5120,190.0,43,1000000,50,46,41,water,ground,60,False
Phione,80,10240,30.0,80,1250000,80,80,80,water,,80,False
Trumbeak,85,3840,120.0,50,1000000,55,40,50,normal,flying,75,False
Chimchar,58,5120,45.0,44,1059860,44,58,44,fire,,61,False
Luxray,120,5120,45.0,79,1059860,80,95,79,electric,,70,False
Quilava,64,5120,45.0,58,1059860,58,80,65,fire,,80,False
Cosmog,29,30720,45.0,31,1250000,43,29,31,psychic,,37,True
Drampa,60,5120,70.0,85,1000000,78,135,91,normal,dragon,36,False
Camerupt,120,5120,150.0,100,1000000,70,145,105,fire,ground,20,False
Cherubi,35,5120,190.0,45,1000000,45,62,53,grass,,35,False
Breloom,130,3840,90.0,80,1640000,60,60,60,grass,fighting,70,False
Litwick,30,5120,190.0,55,1059860,50,65,55,ghost,fire,20,False
Elekid,63,6400,45.0,37,1000000,45,65,55,electric,,95,False
Roserade,70,5120,75.0,65,1059860,60,125,105,grass,poison,90,False
Joltik,47,5120,190.0,50,1000000,50,57,50,bug,electric,65,False
Lillipup,60,3840,255.0,45,1059860,45,25,45,normal,,55,False
Toxicroak,106,5120,75.0,65,1000000,83,86,65,poison,fighting,85,False
Beheeyem,75,5120,90.0,75,1000000,75,125,95,psychic,,40,False
Incineroar,115,3840,45.0,90,1059860,95,80,90,fire,dark,60,False
Bisharp,125,5120,45.0,100,1000000,65,60,70,dark,steel,70,False
Golisopod,125,5120,45.0,140,1000000,75,60,90,bug,water,40,False
Marshtomp,85,5120,45.0,70,1059860,70,60,70,water,ground,50,False
Mandibuzz,65,5120,60.0,105,1250000,110,55,95,dark,flying,80,False
Togetic,40,2560,75.0,85,800000,55,80,105,fairy,flying,40,False
Wynaut,23,5120,125.0,48,1000000,95,23,48,psychic,,23,False
Klink,55,5120,130.0,70,1059860,40,45,60,steel,,30,False
Blitzle,60,5120,190.0,32,1000000,45,50,32,electric,,76,False
Tyrunt,89,7680,45.0,77,1000000,58,45,45,rock,dragon,48,False
Dunsparce,70,5120,190.0,70,1000000,100,65,65,normal,,45,False
Nidoran♂,57,5120,235.0,40,1059860,46,40,40,poison,,50,False
Vullaby,55,5120,190.0,75,1250000,70,45,65,dark,flying,60,False
Meditite,40,5120,180.0,55,1000000,30,40,55,fighting,psychic,60,False
Alomomola,75,10240,75.0,80,800000,165,40,45,water,,65,False
Parasect,95,5120,75.0,80,1000000,60,60,80,bug,grass,30,False
Spearow,60,3840,255.0,30,1000000,40,31,31,normal,flying,70,False
Tauros,100,5120,45.0,95,1250000,75,40,70,normal,,110,False
Eevee,55,8960,45.0,50,1000000,55,45,65,normal,,55,False
Slugma,40,5120,190.0,40,1000000,40,70,40,fire,,20,False
Beartic,130,5120,60.0,80,1000000,95,70,80,ice,,50,False
Scyther,110,6400,45.0,80,1000000,70,55,80,bug,flying,105,False
Garchomp,170,10240,45.0,115,1250000,108,120,95,dragon,ground,92,False
Kadabra,35,5120,100.0,30,1059860,40,120,70,psychic,,105,False
Combee,30,3840,120.0,42,1059860,30,30,42,bug,flying,70,False
Espeon,65,8960,45.0,60,1000000,65,130,95,psychic,,110,False
Gabite,90,10240,45.0,65,1250000,68,50,55,dragon,ground,82,False
Starmie,75,5120,60.0,85,1250000,60,100,85,water,psychic,115,False
Crobat,90,3840,90.0,80,1000000,85,70,80,poison,flying,130,False
Banette,165,6400,45.0,75,800000,64,93,83,ghost,,75,False
Mudsdale,125,5120,60.0,100,1000000,100,55,85,ground,,35,False
Spritzee,52,5120,200.0,60,1000000,78,63,65,fairy,,23,False
Venomoth,65,5120,75.0,60,1000000,70,90,75,bug,poison,90,False
Shaymin,103,30720,45.0,75,1059860,100,120,75,grass,grass,127,True
Binacle,52,5120,120.0,67,1000000,42,39,56,rock,water,50,False
Skarmory,80,6400,25.0,140,1250000,65,40,70,steel,flying,70,False
Durant,109,5120,90.0,112,1000000,58,48,48,bug,steel,109,False
Ponyta,85,5120,190.0,55,1000000,50,65,65,fire,,90,False
Archen,112,7680,45.0,45,1000000,55,74,45,rock,flying,70,False
Tangrowth,100,5120,30.0,125,1000000,100,110,50,grass,,50,False
Omastar,60,7680,45.0,125,1000000,70,115,70,rock,water,55,False
Druddigon,120,7680,45.0,90,1000000,77,60,90,dragon,,48,False
Ribombee,55,5120,75.0,60,1000000,60,95,70,bug,fairy,124,False
Spiritomb,92,7680,100.0,108,1000000,50,92,108,ghost,dark,35,False
Larvesta,85,10240,45.0,55,1250000,55,50,55,bug,fire,60,False
Ledian,35,3840,90.0,50,800000,55,55,110,bug,flying,85,False
Medicham,100,5120,90.0,85,1000000,60,80,85,fighting,psychic,100,False
Staravia,75,3840,120.0,50,1059860,55,40,40,normal,flying,80,False
Fennekin,45,5120,45.0,40,1059860,40,62,60,fire,,60,False
Tangela,55,5120,45.0,115,1000000,65,100,40,grass,,60,False
Heatran,90,2560,3.0,106,1250000,91,130,106,fire,steel,77,True
Numel,60,5120,255.0,40,1000000,60,65,45,fire,ground,35,False
Deoxys,95,30720,3.0,90,1250000,50,95,90,psychic,,180,True
Venonat,55,5120,190.0,50,1000000,60,40,55,bug,poison,45,False
Mismagius,60,6400,45.0,60,800000,60,105,105,ghost,,105,False
Rowlet,55,3840,45.0,55,1059860,68,50,50,grass,flying,42,False
Dragonite,134,10240,45.0,95,1250000,91,100,100,dragon,flying,80,False
Florges,65,5120,45.0,68,1000000,78,112,154,fairy,,75,False
Musharna,55,2560,75.0,85,800000,116,107,95,psychic,,29,False
Helioptile,38,5120,190.0,33,1000000,44,61,43,electric,normal,70,False
Caterpie,30,3840,255.0,35,1000000,45,20,20,bug,,45,False
Kirlia,35,5120,120.0,35,1250000,38,65,55,psychic,fairy,50,False
Silvally,95,30720,3.0,95,1250000,95,95,95,normal,,95,False
Lickitung,55,5120,45.0,75,1000000,90,60,75,normal,,30,False
Brionne,69,3840,45.0,69,1059860,60,91,81,water,,50,False
Shelmet,40,3840,200.0,85,1000000,50,40,65,bug,,25,False
Cutiefly,45,5120,190.0,40,1000000,40,55,40,bug,fairy,84,False
Togedemaru,98,2560,180.0,63,1000000,65,40,73,electric,steel,96,False
Tentacruel,70,5120,60.0,65,1250000,80,80,120,water,poison,100,False
Shuppet,75,6400,225.0,35,800000,44,63,33,ghost,,45,False
Aurorus,77,7680,45.0,72,1000000,123,99,92,rock,ice,58,False
Slowpoke,65,5120,190.0,65,1000000,90,40,40,water,psychic,15,False
Jirachi,100,30720,3.0,100,1250000,100,100,100,steel,psychic,100,True
Shedinja,90,3840,45.0,45,600000,1,30,30,bug,ghost,40,False
Necrozma,107,30720,3.0,101,1250000,97,127,89,psychic,,79,True
Zweilous,85,10240,45.0,70,1250000,72,65,70,dark,dragon,58,False
Flabébé,38,5120,225.0,39,1000000,44,61,79,fairy,,42,False
Mantyke,20,6400,25.0,50,1250000,45,60,120,water,flying,50,False
Seismitoad,95,5120,45.0,75,1059860,105,85,75,water,ground,74,False
src/main/java/fr/univlille/sae/classification/ClassificationApp.java
+ 2
− 2
View file @ b9568922
......@@ -18,7 +18,7 @@ public class ClassificationApp extends Application {
* Point d'entrée principal pour l'initialisation de l'interface utilisateur.
* Cette méthode configure la vue principale en utilisant une instance du modèle
* de classification, puis affiche la fenêtre principale.
* @param stage la fenêtre principale de l'application.
* @param stage La fenêtre principale de l'application.
*/
public void start(Stage stage) throws IOException {
ClassificationModel model = ClassificationModel.getClassificationModel();
......@@ -30,7 +30,7 @@ public class ClassificationApp extends Application {
/**
* Point d'entrée principal de l'application.
* Cette méthode lance l'application JavaFX.
* @param args les arguments de ligne de commande.
* @param args Les arguments de ligne de commande.
*/
public static void main(String[] args) {
Application.launch(args);
......
src/main/java/fr/univlille/sae/classification/Main.java
+ 1
− 1
View file @ b9568922
......@@ -12,7 +12,7 @@ import java.io.IOException;
public class Main {
/**
* Point d'entrée principal de l'application.
* @param args les arguments de ligne de commande.
* @param args Les arguments de ligne de commande.
*/
public static void main(String[] args) {
ClassificationApp.main(args);
......
src/main/java/fr/univlille/sae/classification/controller/AddDataController.java
+ 16
− 6
View file @ b9568922
......@@ -16,25 +16,36 @@ import java.time.temporal.Temporal;
import java.util.*;
/**
* Controlleur pour le FXML add-data-stage, pour ajouter une nouvelle donnée
* Contrôleur pour le fichier FXML "add-data-stage", permettant à l'utilisateur
* d'ajouter une nouvelle donnée dans le modèle de classification.
*/
public class AddDataController {
/**
* Fenêtre associée à cette vue.
*/
@FXML
private Stage stage;
/**
* Conteneur contenant les champs d'entrée de données.
*/
@FXML
private VBox entries;
/**
* MainStageView associé au controlleur
* MainStageView associée au contrôleur.
*/
MainStageView mainStageView;
/**
* Liste des composants d'entrée gérés dynamiquement (Spinner, TextField,
* ChoiceBox) selon le type des données.
*/
private List<Object> components;
/**
* Méthode d'intitialisation du controlleur
* Méthode d'initialisation du contrôleur.
*/
@FXML
public void initialize() {
......@@ -102,14 +113,14 @@ public class AddDataController {
}
/**
* Méthode permettante d'attribuer la mainStageView associer à la classe
* Méthode permettant d'attribuer la mainStageView associée à la classe.
* @param mainStageView mainStageView à attribuer
*/
public void setMainStageView(MainStageView mainStageView) {
this.mainStageView = mainStageView;
}
/**
* Validation des données à ajouter
* Validation des données à ajouter.
*/
public void validate() {
System.out.println("validé");
......@@ -138,5 +149,4 @@ public class AddDataController {
}
stage.close();
}
}
src/main/java/fr/univlille/sae/classification/controller/AxesSettingsController.java
+ 34
− 5
View file @ b9568922
......@@ -10,18 +10,27 @@ import javafx.scene.control.SpinnerValueFactory;
import javafx.stage.Stage;
/**
* Controlleur pour le FXML axes-settings-stage, pour gérer les axes de la vue
* Contrôleur pour le fichier FXML "axes-settings-stage", pour gérer les axes de la vue.
*/
public class AxesSettingsController{
/**
* Fenêtre associée à cette vue.
*/
@FXML
Stage stage;
/**
* Choix des données en axes (abscisse et ordonnée).
*/
@FXML
ChoiceBox selectOrd;
@FXML
ChoiceBox selectAbs;
/**
* Choix des limites inférieures et supérieures des axes.
*/
@FXML
Spinner OrdSizeLower;
......@@ -36,12 +45,12 @@ public class AxesSettingsController{
/**
* DataVisualizationView associé au controlleur
* DataVisualizationView associé au contrôleur.
*/
DataVisualizationView dataVisualizationView;
/**
* Ajout des éléments à sélectionner pour les ordonnées de la grille
* Ajout des éléments à sélectionner pour les ordonnées de la grille.
* @param fields Éléments à ajouter
*/
public void setSelectOrd(String[] fields){
......@@ -51,7 +60,7 @@ public class AxesSettingsController{
}
/**
* Ajout des éléments à sélectionner pout les abscisses de la grille
* Ajout des éléments à sélectionner pour les abscisses de la grille.
* @param fields Éléments à ajouter
*/
public void setSelectAbs(String[] fields){
......@@ -60,18 +69,34 @@ public class AxesSettingsController{
selectAbs.setValue(dataVisualizationView.getActualX());
}
/**
* Configure la limite supérieure de l'axe des ordonnées.
* @param value Valeur initiale à définir pour la limite supérieure.
*/
public void setOrdSizeUpper(double value){
OrdSizeUpper.setValueFactory(new SpinnerValueFactory.DoubleSpinnerValueFactory(0.0, 9999, value,1));
}
/**
* Configure la limite inférieure de l'axe des ordonnées.
* @param value Valeur initiale à définir pour la limite inférieure.
*/
public void setOrdSizeLower(double value){
OrdSizeLower.setValueFactory(new SpinnerValueFactory.DoubleSpinnerValueFactory(0.0, 9999, value,1));
}
/**
* Configure la limite supérieure de l'axe des abscisses.
* @param value Valeur initiale à définir pour la limite supérieure.
*/
public void setAbsSizeUpper(double value){
AbsSizeUpper.setValueFactory(new SpinnerValueFactory.DoubleSpinnerValueFactory(0.0, 9999, value,1));
}
/**
* Configure la limite inférieure de l'axe des abscisses.
* @param value Valeur initiale à définir pour la limite inférieure.
*/
public void setAbsSizeLower(double value){
AbsSizeLower.setValueFactory(new SpinnerValueFactory.DoubleSpinnerValueFactory(0.0, 9999, value,1));
}
......@@ -85,7 +110,7 @@ public class AxesSettingsController{
}
/**
* Validation des paramètres des axes
* Validation des paramètres des axes.
*/
public void validate(){
if(dataVisualizationView.getActualX() != null || dataVisualizationView.getActualY() != null){
......@@ -128,6 +153,10 @@ public class AxesSettingsController{
stage.close();
}
/**
* Réinitialise les paramètres des axes en activant l'ajustement
* automatique et recharge la visualisation des données.
*/
public void reset(){
((NumberAxis) dataVisualizationView.getScatterChart().getXAxis()).setAutoRanging(true);
((NumberAxis) dataVisualizationView.getScatterChart().getYAxis()).setAutoRanging(true);
......
src/main/java/fr/univlille/sae/classification/controller/DataStageController.java
+ 16
− 18
View file @ b9568922
......@@ -13,45 +13,43 @@ import javafx.stage.Stage;
import java.io.IOException;
/**
* Controlleur pour le FXML data-view-stage, pour gérer la vue supplémentaire
* Contrôleur pour le fichier FXML "data-view-stage", pour gérer la vue supplémentaire.
*/
public class DataStageController extends DataVisualizationController{
/**
* Fenêtre associée à cette vue.
*/
@FXML
Stage stage;
/**
* Composant ListView pour l'affichage des informations des données d'un point.
*/
@FXML
ListView PointInfo;
/**
* Initialise le contrôleur en configurant le zoom et le déplacement de la vue.
*/
public void initialize() {
setupZoom();
setupDrag();
}
/**
* Associe la dataStageView associer à la classe
* @param dataStageView
* Associe la dataStageView associée à la classe.
* @param dataStageView Instance de dataStageView à associer.
*/
public void setDataStageView (DataStageView dataStageView) {
this.view = dataStageView;
}
/**
* Retourne l'instance de PointInfo.
* @return Instance de PointInfo.
*/
public ListView getPointInfo(){
return this.PointInfo;
};
}
src/main/java/fr/univlille/sae/classification/controller/DataVisualizationController.java
+ 42
− 16
View file @ b9568922
......@@ -11,33 +11,57 @@ import javafx.scene.layout.HBox;
import javafx.scene.layout.VBox;
import javafx.stage.Stage;
/**
* Classe abstraite de contrôleur pour les fenêtres de visualisation de données.
*/
public abstract class DataVisualizationController {
/**
* Fenêtre associée à cette vue.
*/
@FXML
Stage stage;
/**
* Label affichant les axes.
*/
@FXML
Label AxesSelected;
/**
* Légende de la visualisation.
*/
@FXML
VBox legend;
/**
* ScatterChart pour l'affichage des données.
*/
@FXML
ScatterChart scatterChart;
/**
* Positions x et y du curseur de la souris.
*/
protected double initialX;
protected double initialY;
/**
* Limites initiales des axes.
*/
protected double initialLowerBoundX;
protected double initialUpperBoundX;
protected double initialLowerBoundY;
protected double initialUpperBoundY;
/**
* Vue de visualisation des données associé à ce contrôleur.
*/
protected DataVisualizationView view;
/**
* Configure les fonctionnalités de zoom à l'aide de la molette de la souris.
*/
protected void setupZoom() {
NumberAxis xAxis = (NumberAxis) scatterChart.getXAxis();
NumberAxis yAxis = (NumberAxis) scatterChart.getYAxis();
......@@ -82,7 +106,9 @@ public abstract class DataVisualizationController {
yAxis.setAutoRanging(true);
}
/**
* Configure les fonctionnalités de déplacement à l'aide de la souris.
*/
protected void setupDrag() {
scatterChart.setOnMousePressed(event -> {
initialX = event.getSceneX();
......@@ -117,17 +143,16 @@ public abstract class DataVisualizationController {
}
/**
* Ouvrir les paramètres des axes de la vue
* 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
* Renvoie la grille associée à la classe.
* @return Grille de la classe
*/
public ScatterChart getScatterChart() {
return this.scatterChart;
......@@ -135,25 +160,26 @@ public abstract class DataVisualizationController {
/**
* Attribut une valeur à l'axe de la grille
* Attribue une valeur à l'axe de la grille.
* @param texte Valeur de l'axe
*/
public void setAxesSelected(String texte) {
this.AxesSelected.setText(texte);
}
/**
* Désactive ou active la zone de texte des axes sélectionnés.
*/
public void setAxesSelectedDisability(boolean disability){
this.AxesSelected.setDisable(disability);
}
/**
* Charge une légende dans le conteneur dédié.
* @param vBox Conteneur contenant les éléments de la légende
*/
public void loadLegend(VBox vBox) {
this.legend.getChildren().clear();
this.legend.getChildren().addAll(vBox.getChildren());
}
}
src/main/java/fr/univlille/sae/classification/controller/KNNController.java
+ 27
− 10
View file @ b9568922
......@@ -19,24 +19,44 @@ import java.util.ArrayList;
import java.util.Collections;
import java.util.List;
/**
* Contrôleur pour la fenêtre de l'algorithme KNN.
*/
public class KNNController {
/**
* Fenêtre associée à cette vue.
*/
@FXML
private Stage stage;
/**
* Menu déroulant pour sélectionner l'algorithme de calcul de distances.
*/
@FXML
ChoiceBox<String> algoSelector;
/**
* Spinner pour définir le nombre de k (voisins).
*/
@FXML
Spinner<Integer> kEntry;
/**
* Bouton pour calculer automatiquement le k optimal.
*/
@FXML
Button autoK;
/**
* Bouton pour valider la classification du point.
*/
@FXML
Button confirmK;
/**
* Initialisation du contrôleur.
*/
@FXML
public void initialize() {
int max = (int) Math.sqrt(ClassificationModel.getClassificationModel().getDatas().size());
......@@ -51,8 +71,9 @@ public class KNNController {
algoSelector.setValue(Distance.getDistanceName(ClassificationModel.getClassificationModel().getDistance()));
}
/**
* Calcul du k optimal en fonction des données actuelles.
*/
public void bestK() {
ClassificationModel model = ClassificationModel.getClassificationModel();
......@@ -61,8 +82,6 @@ public class KNNController {
kEntry.getValueFactory().setValue(model.getkOptimal());
}else {
// Calcul du K Optimal:
Task<Scene> knnTask = new Task<>() {
@Override
protected Scene call() throws Exception {
......@@ -130,15 +149,13 @@ public class KNNController {
});
new Thread(knnTask).start();
}
}
/**
* Validation des paramètres de l'algorithme KNN.
*/
public void validate() {
ClassificationModel model = ClassificationModel.getClassificationModel();
......
src/main/java/fr/univlille/sae/classification/controller/LoadDataController.java
+ 18
− 6
View file @ b9568922
......@@ -18,24 +18,37 @@ import javafx.stage.Stage;
import java.io.File;
import java.io.IOException;
/**
* Contrôleur pour la fenêtre de chargement des données.
*/
public class LoadDataController {
/**
* Fenêtre associée à cette vue.
*/
@FXML
Stage stage;
/**
* Champ de texte affichant le chemin du fichier sélectionné.
*/
@FXML
TextField filePath;
/**
* Menu déroulant permettant de sélectionner une classification pré-fabriquée des données du fichier.
*/
@FXML
ChoiceBox<DataType> fileType = new ChoiceBox<>();
/**
* Fichier sélectionné
* Fichier sélectionné.
*/
File file;
/**
* Initialisation du contrôleur.
*/
@FXML
public void initialize() {
fileType.getItems().addAll(DataType.values());
......@@ -43,7 +56,7 @@ public class LoadDataController {
}
/**
* Ouvre un explorateur de fichiers pour sélectionner le fichier à étudier
* Ouvre un explorateur de fichiers pour sélectionner le fichier à étudier.
*/
public void openFileChooser() {
FileChooser fileChooser = new FileChooser();
......@@ -57,9 +70,8 @@ public class LoadDataController {
}
/**
* Valide le fichier sélectionné au préalable
* Valide le fichier sélectionné au préalable.
*/
public void validate(){
......
src/main/java/fr/univlille/sae/classification/controller/MainStageController.java
+ 24
− 9
View file @ b9568922
......@@ -12,23 +12,32 @@ import javafx.stage.Stage;
import java.io.IOException;
/**
* Contrôleur de la fenêtre principale du programme.
*/
public class MainStageController extends DataVisualizationController{
/**
* Bouton pour classifier les points ajoutés par l'utilisateur à l'aide de
* l'algorithme KNN.
*/
@FXML
Button classifyData;
/**
* Affichage des informations du point sélectionné par l'utilisateur.
*/
@FXML
ListView PointInfo;
/**
* Vue principale associée à ce contrôleur.
*/
private MainStageView mainStageView;
/**
* Initialisation du contrôleur.
*/
public void initialize() {
setupZoom();
setupDrag();
......@@ -43,6 +52,10 @@ public class MainStageController extends DataVisualizationController{
loadDataView.show();
}
/**
* Ouvre l'interface de classification des données entrées par l'utilisateur à
* l'aide de l'algorithme KNN.
*/
public void openClassification(){
KNNView knnView = new KNNView(ClassificationModel.getClassificationModel(), stage);
knnView.show();
......@@ -111,10 +124,12 @@ public class MainStageController extends DataVisualizationController{
return this.classifyData;
}
/**
* Retourne l'instance de PointInfo.
* @return Instance de PointInfo.
*/
public ListView getPointInfo(){
return this.PointInfo;
};
}
src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java
+ 61
− 52
View file @ b9568922
......@@ -12,9 +12,9 @@ import java.util.*;
public class MethodKNN {
/**
* Chemin du fichier de données.
*/
public static String path = System.getProperty("user.dir") + File.separator + "res" + File.separator;
public static double[] amplitude;
public static double[] minData;
......@@ -24,10 +24,9 @@ public class MethodKNN {
}
/**
* 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
* Permet de mettre à jour les données de l'algorithme. Recalcule les amplitudes et les min/max des données.
* @param datas Les données sur lesquelles l'algorithme doit travailler
*/
public static void updateModel(List<LoadableData> datas) {
if(datas.isEmpty()) return;
......@@ -37,7 +36,6 @@ public class MethodKNN {
maxData = new double[numAttributes];
amplitude = new double[numAttributes];
for(LoadableData l :datas) {
double[] attributes = l.getAttributes();
for(int i = 0; i<numAttributes; i++) {
......@@ -51,78 +49,97 @@ public class MethodKNN {
}
}
/**
* Renvoie une liste des voisins.
* @param datas Liste des données
* @param data Donnée cible
* @param k Nombre de voisins
* @param distance Algorithme de distance utilisée pour calculer la proximité entre les points
* @return Liste des voisins
*/
public static List<LoadableData> kVoisins(List<LoadableData> datas, LoadableData data, int k, Distance distance) {
// On recupere toutes les données
// On récupère toutes les données.
List<LoadableData> voisins = new ArrayList<>(datas);
// on retire la valeur dont on cherche les voisins
// On retire la valeur dont on cherche les voisins.
voisins.remove(data);
// On tri la liste en fonction de la distance entre chaque point et data
// On trie la liste en fonction de la distance entre chaque point et data.
voisins.sort(new DataComparator(distance, data));
// On renvoie les k premier qui sont les k avec la plus petite distance a data
// On renvoie les k premiers qui sont les k avec la plus petite distance à data.
return voisins.subList(0, k);
}
/**
* Estime la classe d'une donnée cible en se basant sur ses k plus proches voisins.
* @param datas Liste de données
* @param data Donnée cible
* @param k Nombre de voisins
* @param distance Algorithme de distance utilisée pour calculer la proximité entre les points
* @return Classe estimée pour la donnée cible
* @throws IllegalAccessException
*/
public static String estimateClass(List<LoadableData> datas, LoadableData data, int k, Distance distance) throws IllegalAccessException {
// On recupere les K voisions de data.
// On récupère les K voisins de data.
List<LoadableData> kVoisins = MethodKNN.kVoisins(datas, data, k, distance);
// On compte le nombre de représentation de chaque class parmis les voisins
// Et on récupere la plus présente
// On compte le nombre de représentations de chaque classe parmi les voisins
// Et on récupère 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);
// 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
// Si la classe est plus présente que la classe actuellement majoritaire, on change la classe majoritaire.
// S'il y a égalité, alors on garde la première trouvée.
if(classOfNeighbours.get(voisin.getClassification()) > classOfNeighbours.get(currentClass)) {
currentClass = voisin.getClassification();
}
}
return currentClass;
}
/**
* Estimation du meilleur K.
* @param datas Liste des données
* @param distance Algorithme de distance utilisée pour calculer la proximité entre les points
* @return Meilleur k déterminé
* @throws IllegalAccessException
*/
public static int bestK(List<LoadableData> datas, Distance distance) throws IllegalAccessException {
// On borne le K pour eviter de trouver un K trop grand
// On borne le K pour éviter de trouver un K trop grand
int maxK = (int) (Math.sqrt(datas.size()));
System.out.println("Max k: " + maxK);
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.
// Pour chaque valeur impaire possible de K, on calcule la robustesse (le taux de réussite) 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
// On modifie le meilleur k si le taux est supérieur au K precedent
// Si égalité, on garde le premier trouvé
if(results.get(i) > results.get(betK)) betK = i;
}
System.out.println("Results: " + results);
return betK;
}
/**
* Évaluation de la robustesse de l'algorithme KNN.
* @param datas Liste des données
* @param k Nombre de voisins
* @param distance Algorithme de distance utilisée pour calculer la proximité entre les points
* @param testPart Fraction des données utilisée pour le test
* @return Taux de réussite de l'algorithme pour un k spécifié
* @throws IllegalAccessException
*/
public static double robustesse(List<LoadableData> datas, int k, Distance distance, double testPart) throws IllegalAccessException {
double taux = 0;
for(int i = 0; i<1/testPart; i++) {
......@@ -145,19 +162,20 @@ public class MethodKNN {
String baseClass = l.getClassification();
if(baseClass.equals(MethodKNN.estimateClass(trainingData,l, k, distance))) totalFind++;
}
// On affiche le taux de reussite a chaque tour
System.out.println("total find: " +totalFind + " total try: " + totalTry);
taux += (totalFind/(double) totalTry);
}
return taux/(1/testPart);
}
/**
* Fonction principale.
* @param args Arguments donnés
* @throws CsvRequiredFieldEmptyException
* @throws IllegalAccessException
*/
public static void main(String[] args) throws CsvRequiredFieldEmptyException, IllegalAccessException {
//Test de la robustesse et du meillleur K
......@@ -169,32 +187,23 @@ public class MethodKNN {
MethodKNN.updateModel(model.getDatas());
System.out.println();
// Permet de definir l'attribut sur lequel ont souhaite classifier:
// Permet de définir l'attribut sur lequel l'on souhaite classifier :
LoadableData.setClassificationTypeGlobal(12);
List<LoadableData> datas = ClassificationModel.getClassificationModel().getDatas();
// On mélange les données pour tester sur differentes variétes car le fichier de base est trié.
// On mélange les données pour tester sur différentes variétés car le fichier de base est trié.
Collections.shuffle(datas);
for(int i = 0; i<1; i++) {
System.out.println("Search best k");
// On cherche le meilleure K
// On cherche le meilleur K
int bestK = MethodKNN.bestK(datas, new DistanceManhattanNormalisee());
System.out.println(bestK);
// Puis on clacul la robustesse avec le K trouvé
// Puis on calcule la robustesse avec le K trouvé
System.out.println(MethodKNN.robustesse( datas, bestK, new DistanceManhattanNormalisee(), 0.2));
}
}
}
src/main/java/fr/univlille/sae/classification/knn/distance/Distance.java
+ 16
− 1
View file @ b9568922
......@@ -4,9 +4,19 @@ import fr.univlille.sae.classification.model.LoadableData;
public interface Distance {
/**
* Calcul de la distance.
* @param l1 Point 1
* @param l2 Point 2
* @return Distance calculée entre les 2 points
*/
double distance(LoadableData l1, LoadableData l2);
/**
* Renvoie l'algorithme de distance selon le nom.
* @param name Nom de l'algorithme
* @return Classe liée à l'algorithme de distance
*/
static Distance getByName(String name){
switch (name) {
case "Euclidienne Normalisée":
......@@ -21,6 +31,11 @@ public interface Distance {
}
/**
* Renvoie le nom de l'algorithme utilisé.
* @param distance Algorithme de distance
* @return Chaîne de caractères correspondante
*/
static String getDistanceName(Distance distance){
if (distance instanceof DistanceEuclidienneNormalisee) {
return "Euclidienne Normalisee";
......
src/main/java/fr/univlille/sae/classification/knn/distance/DistanceEuclidienne.java
+ 6
− 1
View file @ b9568922
......@@ -4,7 +4,12 @@ import fr.univlille.sae.classification.model.LoadableData;
public class DistanceEuclidienne implements Distance {
/**
* Calcul de la distance.
* @param l1 Point 1
* @param l2 Point 2
* @return Distance calculée entre les 2 points
*/
@Override
public double distance(LoadableData l1, LoadableData l2) {
if(l1.getAttributes().length != l2.getAttributes().length) throw new IllegalArgumentException("Error while trying to get Distance : Attributes do not match");
......
src/main/java/fr/univlille/sae/classification/knn/distance/DistanceEuclidienneNormalisee.java
+ 12
− 0
View file @ b9568922
......@@ -4,6 +4,13 @@ import fr.univlille.sae.classification.knn.MethodKNN;
import fr.univlille.sae.classification.model.LoadableData;
public class DistanceEuclidienneNormalisee implements Distance{
/**
* Calcul de la distance.
* @param l1 Point 1
* @param l2 Point 2
* @return Distance calculée entre les 2 points
*/
@Override
public double distance(LoadableData l1, LoadableData l2) {
if(l1.getAttributes().length != l2.getAttributes().length) throw new IllegalArgumentException("Error while trying to get Distance : Attributes do not match");
......@@ -25,6 +32,11 @@ public class DistanceEuclidienneNormalisee implements Distance{
return Math.sqrt(total);
}
/**
* Renvoie les valeurs normalisées.
* @param l Liste des valeurs
* @return Tableau des valeurs normalisées
*/
private double[] normalise(LoadableData l) {
double[] dataNormalise = new double[l.getAttributes().length];
for(int i = 0;i<dataNormalise.length;i++) {
......
src/main/java/fr/univlille/sae/classification/knn/distance/DistanceManhattan.java
+ 6
− 2
View file @ b9568922
......@@ -4,10 +4,14 @@ import fr.univlille.sae.classification.model.LoadableData;
public class DistanceManhattan implements Distance{
/**
* Calcul de la distance.
* @param l1 Point 1
* @param l2 Point 2
* @return Distance calculée entre les 2 points
*/
public double distance(LoadableData l1, LoadableData l2){
double distance = 0;
for(int i = 0 ;i<l1.getAttributes().length; i++){
distance = distance + Math.abs(l1.getAttributes()[i]- l2.getAttributes()[i]);
}
......
src/main/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormalisee.java
+ 6
− 0
View file @ b9568922
......@@ -6,6 +6,12 @@ import fr.univlille.sae.classification.model.LoadableData;
public class DistanceManhattanNormalisee implements Distance{
/**
* Calcul de la distance.
* @param l1 Point 1
* @param l2 Point 2
* @return Distance calculée entre les 2 points
*/
@Override
public double distance(LoadableData l1, LoadableData l2) {
double distance = 0;
......
src/main/java/fr/univlille/sae/classification/model/ClassificationModel.java
+ 9
− 3
View file @ b9568922
......@@ -20,15 +20,21 @@ import java.util.concurrent.ConcurrentHashMap;
* Gère le chargement, l'ajout et la classification des données.
*/
public class ClassificationModel extends Observable {
/**
* Données du modèle.
*/
private List<LoadableData> datas;
private final Map<LoadableData, Boolean> dataToClass;
/**
* Type de données.
*/
private DataType type;
private static ClassificationModel model;
private Distance distance;
/**
* Valeurs de k liées à l'algorithme KNN.
*/
private int kOptimal;
private int k;
......
src/main/java/fr/univlille/sae/classification/model/DataType.java
+ 20
− 1
View file @ b9568922
package fr.univlille.sae.classification.model;
public enum DataType {
IRIS(4, Iris.class),
POKEMON(12, Pokemon.class);
/**
* Nombre d'arguments nécessaires.
*/
private final int argumentSize;
/**
* Classe liée à l'élément.
*/
private final Class<? extends LoadableData> clazz;
/**
* Constructeur de l'enum.
* @param argumentSize Nombre d'arguments nécessaires
* @param clazz Classe liée
*/
DataType(int argumentSize, Class<? extends LoadableData> clazz) {
this.argumentSize = argumentSize;
this.clazz = clazz;
}
/**
* Renvoie le nombre d'arguments.
* @return Nombre d'arguments
*/
public int getArgumentSize() {
return argumentSize;
}
/**
* Renvoie la classe liée à l'élément de l'enum.
* @return Classe liée
*/
public Class<? extends LoadableData> getClazz() {
return clazz;
}
......
src/main/java/fr/univlille/sae/classification/model/Iris.java
+ 1
− 5
View file @ b9568922
......@@ -25,7 +25,7 @@ public class Iris extends LoadableData {
private String variety;
/**
* Constructeur pour créer une instance de Iris avec tous les attributs.
* Constructeur pour créer une instance d'Iris avec tous les attributs.
* @param sepalLength longueur du sépale.
* @param sepalWidth largeur du sépale.
* @param petalLength longueur du pétale.
......@@ -158,10 +158,6 @@ public class Iris extends LoadableData {
return new String[0];
}
/**
* Renvoie les noms des attributs de l'Iris.
* @return tableau de chaînes contenant les noms des attributs.
......
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Please to comment