Python - Bluetooth y Código de Python

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

import seaborn as sns; sns.set(font_scale=1.2)

import pickle

from sklearn.decomposition import PCA

from sklearn.preprocessing import StandardScaler

Training = pd.read_csv("Trainingcsv.csv")

Training.head()

sns.lmplot('Red', 'Green', data=Training, hue='Papel',

           palette='Set1', fit_reg=False, scatter_kws={"s": 70});

Colores = Training[['Red','Green','Blue','Ir']].as_matrix()

type_label = np.where(Training['Papel']=="Plastificado", 0, np.where(Training['Papel']=="Folio", 1, 2))

# Se divide la matriz del dataset en dos partes

X = Training.iloc[:,1:5].values

# la submatriz x contiene los valores de las primeras 4 columnas del dataframe y todas las filas

y = Training.iloc[:,0].values

# El vector y contiene los valores de la 4 columna (especie)para todas las filas

#Aplicamos una transformación de los datos para poder aplicar las propiedades de la distribución normal

from sklearn.preprocessing import StandardScaler

X_std = StandardScaler().fit_transform(X)

# Calculamos la matriz de covarianza

print('NumPy covariance matrix: \n%s' %np.cov(X_std.T))

#Calculamos los autovalores y autovectores de la matriz y los mostramos

cov_mat = np.cov(X_std.T)

eig_vals, eig_vecs = np.linalg.eig(cov_mat)

print('Eigenvectors \n%s' %eig_vecs)

print('\nEigenvalues \n%s' %eig_vals)

#  Hacemos una lista de parejas (autovector, autovalor) 

eig_pairs = [(np.abs(eig_vals[i]), eig_vecs[:,i]) for i in range(len(eig_vals))]

# Ordenamos estas parejas den orden descendiente con la función sort

eig_pairs.sort(key=lambda x: x[0], reverse=True)

# Visualizamos la lista de autovalores en orden desdenciente

print('Autovalores en orden descendiente:')

for i in eig_pairs:

    print(i[0])

# A partir de los autovalores, calculamos la varianza explicada

tot = sum(eig_vals)

var_exp = [(i / tot)*100 for i in sorted(eig_vals, reverse=True)]

cum_var_exp = np.cumsum(var_exp)

# Representamos en un diagrama de barras la varianza explicada por cada autovalor, y la acumulada

with plt.style.context('seaborn-pastel'):

    plt.figure(figsize=(6, 4))

    plt.bar(range(4), var_exp, alpha=0.5, align='center',

            label='Varianza individual explicada', color='r')

    plt.step(range(4), cum_var_exp, where='mid', linestyle='--', label='Varianza explicada acumulada')

    plt.ylabel('Ratio de Varianza Explicada')

    plt.xlabel('Componentes Principales')

    plt.legend(loc='best')

    plt.tight_layout()

#Generamos la matríz a partir de los pares autovalor-autovector

matrix_w = np.hstack((eig_pairs[0][1].reshape(4,1),

                      eig_pairs[1][1].reshape(4,1)))

print('Matriz W:\n', matrix_w)

Y = X_std.dot(matrix_w)

with plt.style.context('seaborn-whitegrid'):

    plt.figure(figsize=(6, 4))

    for lab, col in zip(('Plastificado', 'Folio', 'Sobre'),

                        ('magenta', 'cyan', 'limegreen')):

        plt.scatter(Y[y==lab, 0],

                    Y[y==lab, 1],

                    label=lab,

                    c=col)

    plt.xlabel('Componente Principal 1')

    plt.ylabel('Componente Principal 2')

    plt.legend(loc='lower center')

    plt.tight_layout()

    plt.show()

from sklearn.svm import SVC

svclassifier = SVC(kernel='linear')

svclassifier.fit(Colores, type_label)

def TipoPapel(Red, Green, Blue, Ir):

    if(svclassifier.predict([[Red, Green, Blue, Ir]]))==0:

        print('El tipo de Papel es Plastificado')

    if(svclassifier.predict([[Red, Green, Blue, Ir]]))==1:

        print('El tipo de Papel es Folio Común')

    if(svclassifier.predict([[Red, Green, Blue, Ir]]))==2:

        print('El tipo de Papel es Sobre')