-
Notifications
You must be signed in to change notification settings - Fork 6
/
runner.py
316 lines (276 loc) · 13.1 KB
/
runner.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
#
# This file just serves to give a better intuition of how we conducted batch experiments
# It is not strictly a part of the DBH infrastructure, just an automation layer one level above it
#
import os
import copy
import dbh
shared = {
'csv': 'dataset.csv',
'label': 'BUG',
'clean': False,
'seed': 1337,
'output': os.path.abspath('output'),
'device': '/device:CPU:0',
'log_device': False,
'calc_completeness': True
}
data_steps = [
# preprocess method
# {
# 'preprocess': [['labels', 'binarize']],
# },
# {
# 'preprocess': [['features', 'normalize'], ['labels', 'binarize']],
# },
{
'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
'resample': 'down',
'resample_amount': 100
},
# resample method/amount
# {
# 'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
# 'resample': 'up',
# 'resample_amount': 100
# },
# {
# 'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
# 'resample': 'up',
# 'resample_amount': 75
# },
# {
# 'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
# 'resample': 'up',
# 'resample_amount': 50
# },
# {
# 'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
# 'resample': 'up',
# 'resample_amount': 25
# },
# {
# 'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
# 'resample': 'down',
# 'resample_amount': 100
# },
# {
# 'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
# 'resample': 'down',
# 'resample_amount': 75
# },
# {
# 'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
# 'resample': 'down',
# 'resample_amount': 50
# },
# {
# 'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
# 'resample': 'down',
# 'resample_amount': 25
# },
]
basic_strategy = [
# ['knn', ''],
# ['bayes', ''],
# ['logistic', '--penalty l2 --solver saga --C 0.2 --tol 0.0001']
# ['svm', ''],
# ['forest', ''],
# ['tree', ''],
# ['tree', '--max-depth 5']
['linear', ''],
# ['logistic', ''],
# ['zeror', ''],
# ['sdnnc', '--layers 3 --neurons 100 --batch 100 --epochs 5 --lr 0.1']
# ['forest', '--max-depth 10 --criterion entropy --n-estimators 5']
]
chosen_prep = {
'preprocess': [['features', 'standardize'], ['labels', 'binarize']],
'resample': 'up',
'resample_amount': 50
}
strategy_steps = [
# ['sdnnc', '--layers 2 --neurons 100 --batch 100 --epochs 5 --lr 0.1'],
# ['sdnnc', '--layers 3 --neurons 100 --batch 100 --epochs 5 --lr 0.1'],
# ['sdnnc', '--layers 4 --neurons 100 --batch 100 --epochs 5 --lr 0.1'],
# ['sdnnc', '--layers 5 --neurons 100 --batch 100 --epochs 5 --lr 0.1'],
# ['sdnnc', '--layers 5 --neurons 150 --batch 100 --epochs 5 --lr 0.1'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 5 --lr 0.1'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 2 --lr 0.1'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 10 --lr 0.1'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 20 --lr 0.1'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 10 --lr 0.025'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 10 --lr 0.05'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 10 --lr 0.1'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 10 --lr 0.2'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 10 --lr 0.3'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 10 --lr 0.4'],
# ['sdnnc', '--layers 5 --neurons 200 --batch 100 --epochs 10 --lr 0.5'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.025'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.05'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.2'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.3'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.4'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.5'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.5 --beta 0.0005'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.5 --beta 0.001'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.5 --beta 0.002'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.5 --beta 0.005'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.5 --beta 0.02'],
# ['cdnnc', '--layers 4 --neurons 200 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 6 --neurons 200 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 150 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 250 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 50 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 200 --batch 150 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 300 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 5 --neurons 300 --batch 100 --lr 0.2'],
# ['cdnnc', '--layers 5 --neurons 300 --batch 100 --lr 0.3'],
# ['cdnnc', '--layers 6 --neurons 300 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 6 --neurons 300 --batch 100 --lr 0.2'],
# ['cdnnc', '--layers 6 --neurons 300 --batch 100 --lr 0.3'],
# ['cdnnc', '--layers 6 --neurons 350 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 6 --neurons 350 --batch 100 --lr 0.2'],
# ['cdnnc', '--layers 6 --neurons 350 --batch 100 --lr 0.3'],
# ['cdnnc', '--layers 7 --neurons 350 --batch 100 --lr 0.1'],
# ['cdnnc', '--layers 7 --neurons 350 --batch 100 --lr 0.2'],
# ['cdnnc', '--layers 7 --neurons 350 --batch 100 --lr 0.3'],
# later tuning of sklearn algs, too
# ['knn', '--n_neighbors 22'],
# ['knn', '--n_neighbors 24'],
# ['knn', '--n_neighbors 26'],
# ['knn', '--n_neighbors 28'],
# ['knn', '--n_neighbors 30'],
# ['knn', '--n_neighbors 32'],
# ['knn', '--n_neighbors 34'],
# ['knn', '--n_neighbors 36'],
# ['knn', '--n_neighbors 38'],
# ['knn', '--n_neighbors 40'],
# ['knn', '--n_neighbors 42'],
# ['knn', '--n_neighbors 44'],
# ['knn', '--n_neighbors 6 --weights distance'],
# ['knn', '--n_neighbors 8 --weights distance'],
# ['knn', '--n_neighbors 10 --weights distance'],
# ['knn', '--n_neighbors 12 --weights distance'],
# ['knn', '--n_neighbors 14 --weights distance'],
# ['knn', '--n_neighbors 16 --weights distance'],
# ['knn', '--n_neighbors 18 --weights distance'],
# ['knn', '--n_neighbors 20 --weights distance'],
# ['tree', '--max-depth 5'],
# ['tree', '--max-depth 10'],
# ['tree', '--max-depth 20'],
# ['tree', '--max-depth 50'],
# ['tree', '--max-depth 100'],
# ['tree', '--criterion entropy --max-depth 5'],
# ['tree', '--criterion entropy --max-depth 10'],
# ['tree', '--criterion entropy --max-depth 20'],
# ['tree', '--criterion entropy --max-depth 50'],
# ['tree', '--criterion entropy --max-depth 100'],
# Gauss is not parametric, so done :)
# ['svm', '--kernel linear --C 0.1'],
# ['svm', '--kernel linear --C 0.5'],
# ['svm', '--kernel linear --C 1.0'],
# ['svm', '--kernel linear --C 1.5'],
# ['svm', '--kernel linear --C 2.0'],
# ['svm', '--kernel poly --degree 2 --C 0.1'],
# ['svm', '--kernel poly --degree 2 --C 0.5'],
# ['svm', '--kernel poly --degree 2 --C 1.0'],
# ['svm', '--kernel poly --degree 2 --C 1.5'],
# ['svm', '--kernel poly --degree 2 --C 2.0'],
# ['svm', '--kernel poly --degree 3 --C 0.1'],
# ['svm', '--kernel poly --degree 3 --C 0.5'],
# ['svm', '--kernel poly --degree 3 --C 1.0'],
# ['svm', '--kernel poly --degree 3 --C 1.5'],
# ['svm', '--kernel poly --degree 3 --C 2.0'],
# ['svm', '--kernel rbf --C 0.1'],
# ['svm', '--kernel rbf --C 0.5'],
# ['svm', '--kernel rbf --C 1.0'],
# ['svm', '--kernel rbf --C 1.5'],
# ['svm', '--kernel rbf --C 2.0'],
# ['svm', '--kernel rbf --C 2.2'],
# ['svm', '--kernel rbf --C 2.4'],
# ['svm', '--kernel rbf --C 2.6'],
# ['svm', '--kernel rbf --C 2.8'],
# ['svm', '--kernel rbf --C 3.0'],
# ['svm', '--kernel rbf --C 4.0'],
# ['svm', '--kernel rbf --C 5.0'],
# ['svm', '--kernel sigmoid --C 0.1'],
# ['svm', '--kernel sigmoid --C 0.5'],
# ['svm', '--kernel sigmoid --C 1.0'],
# ['svm', '--kernel sigmoid --C 1.5'],
# ['svm', '--kernel sigmoid --C 2.0'],
# ['svm', '--kernel rbf --C 2.6 --gamma 0.005'],
# ['svm', '--kernel rbf --C 2.6 --gamma 0.01'],
# ['svm', '--kernel rbf --C 2.6 --gamma 0.02'],
# ['svm', '--kernel rbf --C 2.6 --gamma 0.05'],
# ['forest', '--max-depth 10 --n-estimators 5'],
# ['forest', '--max-depth 10 --n-estimators 10'],
# ['forest', '--max-depth 10 --n-estimators 20'],
# ['forest', '--max-depth 10 --n-estimators 50'],
# ['forest', '--max-depth 10 --n-estimators 100'],
# ['forest', '--max-depth 10 --criterion entropy --n-estimators 5'],
# ['forest', '--max-depth 10 --criterion entropy --n-estimators 10'],
# ['forest', '--max-depth 10 --criterion entropy --n-estimators 20'],
# ['forest', '--max-depth 10 --criterion entropy --n-estimators 50'],
# ['forest', '--max-depth 10 --criterion entropy --n-estimators 100'],
# ['logistic', '--penalty l2 --solver newton-cg --C 5.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver lbfgs --C 5.0 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver liblinear --C 5.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver liblinear --C 5.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver sag --C 5.0 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver saga --C 5.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver saga --C 5.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver newton-cg --C 2.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver lbfgs --C 2.0 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver liblinear --C 2.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver liblinear --C 2.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver sag --C 2.0 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver saga --C 2.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver saga --C 2.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver newton-cg --C 1.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver lbfgs --C 1.0 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver liblinear --C 1.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver liblinear --C 1.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver sag --C 1.0 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver saga --C 1.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver saga --C 1.0 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver newton-cg --C 0.5 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver lbfgs --C 0.5 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver liblinear --C 0.5 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver liblinear --C 0.5 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver sag --C 0.5 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver saga --C 0.5 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver saga --C 0.5 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver newton-cg --C 0.2 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver lbfgs --C 0.2 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver liblinear --C 0.2 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver liblinear --C 0.2 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver sag --C 0.2 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver saga --C 0.2 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver saga --C 0.2 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver newton-cg --C 0.1 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver lbfgs --C 0.1 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver liblinear --C 0.1 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver liblinear --C 0.1 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver sag --C 0.1 --tol 0.0001'],
# ['logistic', '--penalty l1 --solver saga --C 0.1 --tol 0.0001'],
# ['logistic', '--penalty l2 --solver saga --C 0.1 --tol 0.0001'],
# ['linear', ''],
# ['bayes', ''],
]
def main():
for data_step in data_steps:
params = copy.deepcopy(shared)
params = {**params, **data_step}
params['strategy'] = basic_strategy
dbh.main(params)
# params = copy.deepcopy(shared)
# params = {**params, **chosen_prep}
# params['strategy'] = strategy_steps
# dbh.main(params)
if __name__ == '__main__':
main()