R/Init_RHaH_opt_Sim_FKR.R

In NHEMOtree: Non-hierarchical evolutionary multi-objective tree learner to perform cost-sensitive classification

Init_RHaH_opt_Sim_FKR <-
function(Daten, N_Varis, Proteinkosten, 
                                 Popsize, Max_Knoten, CV.Lauf, 
                                 Init_Wsk, uS, oS, AnzCO){

  # Zufaellige Baumerstellung
    Baum_temp<- Init_RHaH(N=Popsize, Knoten_max=Max_Knoten, Wsk=Init_Wsk, N_Varis=N_Varis, uS=uS, oS=oS)
    Baum<- list(); Rate<- c(); Finanzen<- c(); Anzahl<- c(); Knoten<- c()
    Quantile_Knoten<- NULL
    Quantile_FKR   <- NULL

  # Berechnung der optimalen Cutoffs

    for (p in 1:Popsize){
        Baum[[p]]<- Cutoffwahl_fkr_Sim(Tree=Baum_temp[[p]], Daten=Daten, CV.Lauf=CV.Lauf, AnzCO=AnzCO)

      # Fitnessberechnungen
        Rate[p]<- 100*FKR_CV(Tree=Baum[[p]], Daten=Daten, CV_Laeufe=CV.Lauf)

      # Kostenberechnungen 
        P1         <- Baum[[p]]$Varis[,2]-1 # Protein-IDs (ohne Datenbank)
        P2         <- NoDupKey(P1)
        Knoten[p]  <- Baum[[p]]$Knoten
        Finanzen[p]<- getCosts_Tree_sum_Sim(Kostenmatrix=Proteinkosten, Protein_IDs=P2)
        Anzahl[p]  <- length(P2)

      # Schreiben der Fitnesswerte in 'Baum'
        Baum[[p]]$FKR     <- Rate[p]   
        Baum[[p]]$Finanzen<- Finanzen[p]
        Baum[[p]]$Anzahl  <- Anzahl[p]
    } 

  # Ausgabe:
    Ausgabe         <- list()
    Ausgabe$Knoten  <- Knoten
    Ausgabe$Rate    <- Rate
    Ausgabe$Finanzen<- Finanzen
    Ausgabe$Anzahl  <- Anzahl
    Ausgabe$Baum    <- Baum
    return(Ausgabe)
}