adding Utils

Utils.py

@@ -0,0 +1,57 @@
+from sklearn.metrics import accuracy_score, cohen_kappa_score, root_mean_squared_error, f1_score
+import numpy as np
+
+def arredondar_notas(notas):
+    referencia = [0, 40, 80, 120, 160, 200]
+    novas_notas = []
+    for n in notas:
+        mais_prox = 1000
+        arredondado = -1
+        for r in referencia:
+            if abs(n - r) < mais_prox:
+                arredondado = r
+                mais_prox = abs(n - r)
+        novas_notas.append(arredondado)
+    return novas_notas
+
+def calcular_div(notas1, notas2):
+    #calcula a divergencia horizontal: duas notas são divergentes se a diferença entre elas é maior que 80
+    div = 0
+    for n1, n2 in zip(notas1,notas2):
+        if abs(n1 - n2) > 80:
+            div += 1
+    return 100*div/len(notas1)
+
+def calcular_agregado(dic_perf):
+    acc = dic_perf['ACC']*100
+    rmse = (200 - dic_perf['RMSE'])/2
+    qwk = dic_perf['QWK']*100
+    div = 100 - dic_perf['DIV']
+    #print(acc, rmse, qwk, div)
+    return (acc + rmse + qwk + div)/4
+
+def calcular_resultados(y, y_hat):
+    ALL_LABELS = [0, 40, 80, 120, 160, 200]
+    ACC = accuracy_score(y, y_hat)
+    RMSE = root_mean_squared_error(y, y_hat )
+    QWK = cohen_kappa_score(y, y_hat, weights='quadratic', labels=ALL_LABELS)
+    DIV = calcular_div(y, y_hat)
+    macro_f1 = f1_score(
+        y,
+        y_hat,
+        average="macro",
+        labels=ALL_LABELS,
+        zero_division=np.nan,
+    )
+    weighted_f1 = f1_score(
+        y,
+        y_hat,
+        average="weighted",
+        labels=ALL_LABELS,
+        zero_division=np.nan,
+    )
+    if not isinstance(y, list):
+        y = y.tolist()
+    dic = {'ACC': ACC, 'RMSE': RMSE, 'QWK': QWK, 'DIV': DIV, 'F1-Macro': macro_f1, 'F1-Weighted': weighted_f1, 'y': y, 'y_hat': y_hat}
+    dic['Agregado'] = calcular_agregado(dic)
+    return dic