From de7e7940081c908af5bd5a384e32a104841163a8 Mon Sep 17 00:00:00 2001
From: Maxence <maxence.antoine.etu@univ-lille.fr>
Date: Fri, 29 Nov 2024 15:10:25 +0100
Subject: [PATCH] =?UTF-8?q?test=20a=20modifier=20et=20arranger=20pour=20la?=
=?UTF-8?q?=20conformit=C3=A9=20des=20tests?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
.../DistanceManhattanNormaliseeTest.java | 317 ++++++++++++++++++
...stanceManhattanNormalis\303\251eTest.java" | 91 -----
2 files changed, 317 insertions(+), 91 deletions(-)
create mode 100644 src/test/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormaliseeTest.java
delete mode 100644 "src/test/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormalis\303\251eTest.java"
diff --git a/src/test/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormaliseeTest.java b/src/test/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormaliseeTest.java
new file mode 100644
index 0000000..be9d92e
--- /dev/null
+++ b/src/test/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormaliseeTest.java
@@ -0,0 +1,317 @@
+package fr.univlille.sae.classification.knn.distance;
+
+import static org.junit.jupiter.api.Assertions.*;
+
+import org.junit.jupiter.api.Test;
+import fr.univlille.sae.classification.model.LoadableData;
+import fr.univlille.sae.classification.knn.MethodKNN;
+import org.junit.jupiter.api.BeforeEach;
+
+import java.util.Map;
+
+public class DistanceManhattanNormaliseeTest {
+
+ private DistanceManhattanNormalisee distanceManhattan;
+
+ @BeforeEach
+ public void setUp() {
+ // Initialisation de l'objet DistanceManhattanNormalisee avant chaque test
+ distanceManhattan = new DistanceManhattanNormalisee();
+
+ // Définition des valeurs de normalisation dans MethodKNN (à ajuster selon votre logique)
+ MethodKNN.minData = new double[] {0.0, 0.0}; // Valeurs minimales pour les attributs
+ MethodKNN.amplitude = new double[] {1.0, 1.0}; // Amplitude pour la normalisation
+ }
+
+ @Test
+ public void testDistanceSimple() {
+ // Création de deux objets LoadableData avec des attributs simples
+ LoadableData data1 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+ LoadableData data2 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+
+ // Calcul de la distance manhattan normalisée
+ double result = distanceManhattan.distance(data1, data2);
+
+ // Calcul attendu : (|1.0 - 3.0| / 1.0) + (|2.0 - 5.0| / 1.0)
+ double expected = (Math.abs(1.0 - 3.0) / 1.0) + (Math.abs(2.0 - 5.0) / 1.0);
+
+ // Vérification du résultat
+ assertEquals(expected, result, 0.001);
+ }
+
+ @Test
+ public void testDistanceZero() {
+ // Deux objets avec les mêmes attributs (la distance devrait être 0)
+ LoadableData data1 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+ LoadableData data2 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+
+ // Vérification que la distance est bien 0
+ double result = distanceManhattan.distance(data1, data2);
+ assertEquals(0.0, result, 0.001);
+ }
+
+ @Test
+ public void testDistanceAvecValeursExtremes() {
+ // Test avec des valeurs maximales ou minimales (hypothétiques dans ce cas)
+ LoadableData data1 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+ LoadableData data2 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+
+ double result = distanceManhattan.distance(data1, data2);
+
+ // Calcul de la distance, ici l'effet de normalisation devrait être pris en compte
+ double expected = (Math.abs(Double.MAX_VALUE - Double.MIN_VALUE) / 1.0) +
+ (Math.abs(Double.MIN_VALUE - Double.MAX_VALUE) / 1.0);
+
+ assertEquals(expected, result, 0.001);
+ }
+
+ @Test
+ public void testDistanceAvecDonneesNulles() {
+ // Test avec des données nulles
+ LoadableData data1 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+ LoadableData data2 = null;
+
+ try {
+ distanceManhattan.distance(data1, data2);
+ fail("La méthode devrait lever une exception quand l'un des objets est nul");
+ } catch (NullPointerException e) {
+ // Vérification qu'une exception est lancée
+ }
+ }
+
+ @Test
+ public void testDistanceAvecDonneesVides() {
+ // Test avec des données vides (tous les attributs sont 0 ou absents)
+ LoadableData data1 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+ LoadableData data2 = new LoadableData() {
+ @Override
+ public String getClassification() {
+ return null;
+ }
+
+ @Override
+ public void setClassification(String classification) {
+
+ }
+
+ @Override
+ public Map<String, Object> getAttributesNames() {
+ return null;
+ }
+
+ @Override
+ public double[] getAttributes() {
+ return new double[0];
+ }
+
+ @Override
+ public String[] getStringAttributes() {
+ return new String[0];
+ }
+ };
+
+ // La distance devrait être 0 car il n'y a aucune différence d'attribut
+ double result = distanceManhattan.distance(data1, data2);
+ assertEquals(0.0, result, 0.001);
+ }
+}
diff --git "a/src/test/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormalis\303\251eTest.java" "b/src/test/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormalis\303\251eTest.java"
deleted file mode 100644
index f9265de..0000000
--- "a/src/test/java/fr/univlille/sae/classification/knn/distance/DistanceManhattanNormalis\303\251eTest.java"
+++ /dev/null
@@ -1,91 +0,0 @@
-package fr.univlille.sae.classification.knn.distance;
-
-import static org.junit.jupiter.api.Assertions.*;
-
-import org.junit.jupiter.api.Test;
-import fr.univlille.sae.classification.model.LoadableData;
-import fr.univlille.sae.classification.knn.MethodKNN;
-import fr.univlille.sae.classification.knn.distance.DistanceManhattanNormalisée;
-import org.junit.jupiter.api.BeforeEach;
-
-public class DistanceManhattanNormaliséeTest {
-
- private DistanceManhattanNormalisée distanceManhattan;
-
- @BeforeEach
- public void setUp() {
- // Initialisation de l'objet DistanceManhattanNormalisée avant chaque test
- distanceManhattan = new DistanceManhattanNormalisée();
-
- // Définition des valeurs de normalisation dans MethodKNN (à ajuster selon votre logique)
- MethodKNN.minData = new double[] {0.0, 0.0}; // Valeurs minimales pour les attributs
- MethodKNN.amplitude = new double[] {1.0, 1.0}; // Amplitude pour la normalisation
- }
-
- @Test
- public void testDistanceSimple() {
- // Création de deux objets LoadableData avec des attributs simples
- LoadableData data1 = new LoadableData(new double[] {1.0, 2.0});
- LoadableData data2 = new LoadableData(new double[] {3.0, 5.0});
-
- // Calcul de la distance manhattan normalisée
- double result = distanceManhattan.distance(data1, data2);
-
- // Calcul attendu : (|1.0 - 3.0| / 1.0) + (|2.0 - 5.0| / 1.0)
- double expected = (Math.abs(1.0 - 3.0) / 1.0) + (Math.abs(2.0 - 5.0) / 1.0);
-
- // Vérification du résultat
- assertEquals(expected, result, 0.001);
- }
-
- @Test
- public void testDistanceZero() {
- // Deux objets avec les mêmes attributs (la distance devrait être 0)
- LoadableData data1 = new LoadableData(new double[] {1.0, 2.0});
- LoadableData data2 = new LoadableData(new double[] {1.0, 2.0});
-
- // Vérification que la distance est bien 0
- double result = distanceManhattan.distance(data1, data2);
- assertEquals(0.0, result, 0.001);
- }
-
- @Test
- public void testDistanceAvecValeursExtremes() {
- // Test avec des valeurs maximales ou minimales (hypothétiques dans ce cas)
- LoadableData data1 = new LoadableData(new double[] {Double.MAX_VALUE, Double.MIN_VALUE});
- LoadableData data2 = new LoadableData(new double[] {Double.MIN_VALUE, Double.MAX_VALUE});
-
- double result = distanceManhattan.distance(data1, data2);
-
- // Calcul de la distance, ici l'effet de normalisation devrait être pris en compte
- double expected = (Math.abs(Double.MAX_VALUE - Double.MIN_VALUE) / 1.0) +
- (Math.abs(Double.MIN_VALUE - Double.MAX_VALUE) / 1.0);
-
- assertEquals(expected, result, 0.001);
- }
-
- @Test
- public void testDistanceAvecDonneesNulles() {
- // Test avec des données nulles
- LoadableData data1 = new LoadableData(new double[] {1.0, 2.0});
- LoadableData data2 = null;
-
- try {
- distanceManhattan.distance(data1, data2);
- fail("La méthode devrait lever une exception quand l'un des objets est nul");
- } catch (NullPointerException e) {
- // Vérification qu'une exception est lancée
- }
- }
-
- @Test
- public void testDistanceAvecDonneesVides() {
- // Test avec des données vides (tous les attributs sont 0 ou absents)
- LoadableData data1 = new LoadableData(new double[] {});
- LoadableData data2 = new LoadableData(new double[] {});
-
- // La distance devrait être 0 car il n'y a aucune différence d'attribut
- double result = distanceManhattan.distance(data1, data2);
- assertEquals(0.0, result, 0.001);
- }
-}
--
GitLab