tree_model_stukture_info.txt

Beschreibung für den aufbau einer Tree-Model-Datei, die mit der DecisionTreeLib verwendet werden kann.

die Klasssifikatoren können mit der funktion writeLayer(nodeList, classList, features, border, children_left, children_right, samplesInLeaf, file)
in der python Datei trainClassifier.py im dysphagie svn exportiert werden.

1. in der ersten Zeile steht die Anzahl der verwendeten Bäume
   Anzahl = 1 -> einfacher DecisionTree
   Anzahl > 1 -> RandomForrestClassifier

2. eine Leerzeile nach der Anzahl der Bäume sowie nach jedem Baum

3. es folgen die Knoten des Baumes.
   a) ein Knoten besteht aus der Nummer des Features(entspricht der nummer des Festures im Vector aus der Feature Berechnung)
   und der Entscheidungsschwelle für das Feature in diesem Knoten
   FeatureIndex und Schwelle sind durch Leerzeichen Getrennt
   
   b) die Knoten eines Layers sind immer in einer Zeile durch Leerzeichen getrennt
      wenn ein Knoten ein Blatt ist enthält er keine Entscheidungsschwelle sondern die Wahrscheinlichkeit das ein Sample dieses Blatt verlässt
      dabei wird die Wahrscheinlichkeit für die Entscheidung True mit einem Positiven und die Wharscheinlichkeit für die Entscheidung False negativ angegeben
      bei einem einfachen DcissionTree spielen die Wahrscheinlichkeiten keine Rolle, hier müssen nur die Vorzeichen stimmen
   
   c) wenn ein Knoten ein Blatt war folgen danach nur noch Na Na knoten, das ist für die zu ordnung bei unvollständigen bäumen wichtig
      daher ist jeder Layer des Baumes vollständig
      
      z.B.: 1 Zeile == 1 Knoten
	    2 Zeile == 2 Knoten
	    3 Zeile == 4 Knoten
	    4 Zeile == 8 Knoten usw. 

4. nach dem letzten Baum muss auch eine Leerzeile eingefügt sein

Beispiel Baumstrucktur:

1

2 0.0050303475 
0 0.0099894348532 0 0.00969805754721 
4 0.00829236302525 1 0.0799177661538 5 0.0121393119916 4 0.0106864087284 
-2 -5.0 -2 352.0 -2 -122.0 -2 373.0 -2 197.0 -2 26.0 -2 126.0 -2 -828.0 
NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA