In [1]:

    

from numpy import *


    

In [546]:

    

N=5
a = []
for i in range(N):
    a.append(loadtxt("output"+str(i)+".txt"))


    

In [547]:

    

a[0].shape


    

    
Out[547]:





(90892, 28)

In [218]:

    

from sklearn import *


    

In [531]:

    

pca = []
b = []
for i in range(N):
    pca.append(decomposition.PCA(n_components=6))
    pca[i].fit(a[i][50000:, :])
for i in range(N):
    b.append(pca[i].transform(a[i]))


    

In [533]:

    

#st = 28*3*6*55-28*3*5
st = 28*3*6*120-28*3*5
ed = st+28*3
for i in range(N):
    figure(i)
    clf()
    leg = []
    for j in range(7):
        plot(b[i][st-j*28*3*6:ed-j*28*3*6,0], b[i][st-j*28*3*6:ed-j*28*3*6,1], marker='x', alpha=0.5)
        leg = leg+[str(j)]
    legend(leg)
for j in range(7):
    figure(j+N)
    clf()
    imshow(a[0][st-j*28*3*6:ed-j*28*3*6,:])


    

In [57]:

    

st = 6300-28*3*60
ed = st+28*3
figure(5)
clf()
plot(b[0][st:ed, 0], b[2][st:ed, 0])


    

    
Out[57]:





[<matplotlib.lines.Line2D at 0xdb334ec>]

In [76]:

    

2100/28


    

    
Out[76]:





75

In [160]:

    

28*3*6*20


    

    
Out[160]:





10080

In [550]:

    

lab = loadtxt("output_label.txt")


    

In [551]:

    

lab.shape


    

    
Out[551]:





(92820,)

In [552]:

    

a[4].shape


    

    
Out[552]:





(92238, 50)

In [542]:

    

109032/29694


    

    
Out[542]:





3

In [553]:

    

lab[0:100]


    

    
Out[553]:





array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
        1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
        1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
        1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
        1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
        1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
        1.,  1.,  1.,  1.,  1.,  1.,  7.,  7.,  7.,  7.,  7.,  7.,  7.,
        7.,  7.,  7.,  7.,  7.,  7.,  7.,  7.,  7.])

In [602]:

    

aa = a[4][:84000,:].reshape((1000, 50*84))


    

In [587]:

    

lab2 = lab[:84000].reshape((1000, 84))


    

In [606]:

    

svc = svm.LinearSVC()
svc.fit(aa[0:800:6], lab2[0:800:6,0])


    

    
Out[606]:





LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,
     intercept_scaling=1, loss='l2', multi_class='ovr', penalty='l2',
     random_state=None, tol=0.0001, verbose=0)

In [613]:

    

predaa = svc.predict(aa[807::6])


    

In [614]:

    

sum(predaa==lab2[807::6,0])


    

    
Out[614]:





26

In [563]:

    

lab2[:,0]


    

    
Out[563]:





array([ 1.,  7.,  0.,  4.,  9.,  3.,  4.,  0.,  2.,  1.,  7.,  9.,  3.,
        9.,  7.,  6.,  4.,  2.,  8.,  9.,  9.,  9.,  2.,  7.,  6.,  3.,
        6.,  2.,  3.,  2.,  9.,  4.,  4.,  3.,  8.,  4.,  9.,  7.,  9.,
        6.,  0.,  9.,  4.,  3.,  9.,  4.,  3.,  9.,  6.,  7.,  2.,  1.,
        1.,  9.,  0.,  6.,  7.,  8.,  2.,  2.,  3.,  1.,  3.,  8.,  9.,
        8.,  4.,  4.,  3.,  4.,  8.,  6.,  2.,  4.,  4.,  7.,  2.,  7.,
        9.,  5.,  8.,  6.,  0.,  5.,  9.,  0.,  0.,  3.,  3.,  0.,  0.,
        5.,  1.,  9.,  6.,  4.,  4.,  1.,  6.,  5.,  0.,  6.,  9.,  8.,
        6.,  5.,  6.,  7.,  4.,  1.,  2.,  0.,  8.,  1.,  5.,  6.,  1.,
        3.,  3.,  8.,  9.,  9.,  9.,  5.,  9.,  7.,  4.,  6.,  0.,  5.,
        2.,  1.,  1.,  3.,  3.,  5.,  1.,  2.,  6.,  7.,  1.,  3.,  4.,
        2.,  0.,  9.,  7.,  1.,  7.,  5.,  2.,  1.,  7.,  4.,  2.,  5.,
        4.,  6.,  3.,  2.,  7.,  8.,  1.,  4.,  2.,  3.,  8.,  8.,  8.,
        6.,  0.,  8.,  0.,  4.,  8.,  2.,  2.,  7.,  6.,  7.,  5.,  8.,
        3.,  8.,  5.,  1.,  8.,  7.,  2.,  1.,  7.,  6.,  9.,  3.,  5.,
        2.,  4.,  4.,  2.,  7.,  0.,  7.,  1.,  6.,  1.,  1.,  6.,  2.,
        0.,  0.,  1.,  2.,  8.,  4.,  6.,  9.,  3.,  9.,  1.,  7.,  3.,
        1.,  7.,  3.,  0.,  0.,  2.,  7.,  1.,  1.,  2.,  3.,  0.,  3.,
        5.,  9.,  7.,  0.,  2.,  1.,  3.,  3.,  7.,  1.,  3.,  1.,  0.,
        3.,  3.,  6.,  8.,  4.,  1.,  6.,  3.,  5.,  2.,  5.,  1.,  3.,
        3.,  1.,  8.,  7.,  3.,  1.,  0.,  5.,  1.,  0.,  9.,  5.,  5.,
        3.,  3.,  6.,  5.,  7.,  0.,  0.,  8.,  5.,  8.,  1.,  0.,  5.,
        4.,  9.,  5.,  1.,  8.,  5.,  0.,  9.,  7.,  9.,  5.,  9.,  6.,
        7.,  2.,  7.,  4.,  1.,  9.,  2.,  3.,  0.,  1.,  1.,  5.,  9.,
        6.,  8.,  0.,  8.,  0.,  7.,  1.,  2.,  4.,  9.,  6.,  8.,  1.,
        4.,  0.,  1.,  0.,  3.,  6.,  5.,  8.,  6.,  6.,  1.,  6.,  2.,
        5.,  7.,  6.,  7.,  6.,  7.,  9.,  6.,  5.,  4.,  5.,  4.,  8.,
        4.,  6.,  6.,  0.,  6.,  6.,  7.,  5.,  3.,  1.,  2.,  9.,  8.,
        2.,  3.,  9.,  2.,  6.,  2.,  5.,  2.,  5.,  4.,  7.,  6.,  0.,
        1.,  8.,  2.,  6.,  5.,  7.,  1.,  7.,  7.,  0.,  1.,  3.,  5.,
        6.,  7.,  8.,  2.,  7.,  1.,  4.,  5.,  2.,  7.,  8.,  0.,  0.,
        8.,  0.,  6.,  8.,  3.,  6.,  9.,  7.,  7.,  3.,  9.,  4.,  3.,
        8.,  4.,  0.,  6.,  8.,  6.,  8.,  7.,  9.,  8.,  5.,  7.,  1.,
        4.,  7.,  3.,  2.,  8.,  4.,  3.,  8.,  1.,  6.,  6.,  9.,  1.,
        5.,  7.,  2.,  2.,  7.,  6.,  6.,  2.,  3.,  6.,  5.,  2.,  7.,
        2.,  7.,  2.,  4.,  5.,  8.,  0.,  2.,  0.,  8.,  4.,  2.,  3.,
        1.,  5.,  2.,  4.,  4.,  5.,  8.,  5.,  2.,  4.,  6.,  0.,  0.,
        1.,  3.,  3.,  3.,  7.,  8.,  0.,  0.,  2.,  3.,  9.,  0.,  4.,
        5.,  8.,  3.,  7.,  4.,  9.,  3.,  2.,  4.,  7.,  3.,  0.,  9.,
        3.,  6.,  6.,  3.,  0.,  5.,  3.,  7.,  3.,  2.,  4.,  8.,  1.,
        8.,  4.,  0.,  4.,  6.,  0.,  7.,  5.,  9.,  0.,  4.,  6.,  1.,
        3.,  4.,  0.,  2.,  6.,  1.,  0.,  9.,  8.,  5.,  9.,  6.,  8.,
        7.,  1.,  7.,  5.,  9.,  5.,  7.,  5.,  7.,  4.,  6.,  7.,  2.,
        2.,  2.,  2.,  9.,  6.,  2.,  1.,  7.,  1.,  2.,  9.,  9.,  9.,
        6.,  6.,  8.,  0.,  5.,  0.,  2.,  8.,  0.,  3.,  1.,  1.,  8.,
        8.,  1.,  4.,  4.,  7.,  4.,  8.,  0.,  4.,  2.,  3.,  5.,  5.,
        6.,  9.,  7.,  0.,  5.,  2.,  2.,  7.,  7.,  3.,  1.,  4.,  4.,
        0.,  2.,  2.,  6.,  1.,  3.,  0.,  8.,  8.,  6.,  7.,  7.,  8.,
        1.,  8.,  3.,  5.,  7.,  8.,  9.,  3.,  4.,  2.,  2.,  8.,  9.,
        7.,  4.,  3.,  9.,  2.,  5.,  5.,  6.,  2.,  5.,  9.,  4.,  9.,
        8.,  8.,  6.,  2.,  5.,  4.,  9.,  0.,  9.,  5.,  9.,  5.,  7.,
        5.,  9.,  4.,  7.,  3.,  0.,  3.,  8.,  0.,  6.,  1.,  6.,  8.,
        8.,  0.,  8.,  2.,  9.,  0.,  3.,  7.,  2.,  6.,  4.,  5.,  3.,
        3.,  4.,  1.,  1.,  4.,  9.,  0.,  9.,  5.,  9.,  0.,  1.,  7.,
        4.,  9.,  6.,  6.,  2.,  9.,  2.,  9.,  0.,  7.,  7.,  7.,  9.,
        8.,  2.,  9.,  6.,  5.,  6.,  6.,  3.,  0.,  9.,  8.,  3.,  3.,
        1.,  6.,  3.,  2.,  2.,  5.,  6.,  2.,  7.,  9.,  6.,  4.,  3.,
        7.,  6.,  8.,  2.,  8.,  4.,  7.,  4.,  8.,  6.,  9.,  0.,  6.,
        4.,  4.,  7.,  6.,  7.,  3.,  4.,  1.,  0.,  7.,  8.,  6.,  1.,
        7.,  2.,  3.,  4.,  3.,  6.,  6.,  5.,  7.,  9.,  7.,  5.,  6.,
        0.,  3.,  9.,  4.,  0.,  3.,  8.,  1.,  8.,  9.,  1.,  5.,  1.,
        0.,  0.,  5.,  1.,  1.,  3.,  0.,  2.,  0.,  7.,  0.,  3.,  9.,
        4.,  2.,  1.,  2.,  6.,  3.,  9.,  6.,  6.,  4.,  4.,  4.,  4.,
        4.,  0.,  8.,  9.,  4.,  4.,  9.,  1.,  5.,  0.,  7.,  1.,  2.,
        8.,  9.,  4.,  6.,  3.,  0.,  3.,  3.,  4.,  2.,  3.,  6.,  8.,
        3.,  3.,  3.,  6.,  9.,  3.,  2.,  6.,  0.,  0.,  6.,  1.,  6.,
        6.,  4.,  1.,  4.,  1.,  4.,  7.,  5.,  2.,  9.,  4.,  9.,  8.,
        4.,  3.,  9.,  4.,  2.,  0.,  5.,  4.,  1.,  9.,  0.,  2.,  7.,
        8.,  0.,  3.,  2.,  4.,  4.,  3.,  6.,  9.,  4.,  7.,  1.,  6.,
        1.,  1.,  1.,  3.,  9.,  6.,  8.,  8.,  4.,  6.,  0.,  8.,  8.,
        8.,  5.,  1.,  1.,  3.,  3.,  8.,  2.,  3.,  2.,  8.,  6.,  6.,
        2.,  8.,  9.,  5.,  3.,  8.,  6.,  6.,  7.,  3.,  3.,  0.,  7.,
        5.,  1.,  3.,  1.,  3.,  3.,  3.,  9.,  0.,  2.,  0.,  2.,  0.,
        9.,  7.,  9.,  2.,  4.,  3.,  3.,  4.,  4.,  3.,  3.,  7.,  5.,
        2.,  6.,  0.,  2.,  5.,  3.,  1.,  8.,  5.,  3.,  3.,  6.,  2.,
        7.,  2.,  8.,  6.,  6.,  9.,  4.,  7.,  5.,  3.,  4.,  9.,  6.,
        4.,  1.,  6.,  7.,  3.,  1.,  1.,  0.,  1.,  0.,  9.,  0.])

In [ ]: