/*
このプログラムの目的
機械学習の手法を、2次元空間の2値の分離問題を例として体感する。
http://youtu.be/RnJCvGAGqtk

手法
wekaをProcessingから利用する。また、分類器を選択するリストボックスにはProcessingのライブラリとして公式Webに載っているControlP5を使用する。

使用方法
画面に表示されているマス目を左クリックすると赤くなり、右クリックすると青くなる。色の付いたマスが3つ以上になると自動的に分類器が学習を開始して、
その学習された分類器ですべてのマス目がテストされて、赤か青に分類される。クリックした個所はマス目の内部の色が変わり、テストされて分類された結果は
マス目の枠の色が変わる。また、スペースを押すと、すべてのマス目が元に戻る。
さらに分類器を選択することができる。選択を変更すると、その分類器で学習された結果に変わる。
*/

// 学習用のデータは、添え字 0:x座標位置, 1:y座標位置, 2:幅, 3:高さ, 4:教師データ, 5:テスト結果データ となっている。
//教師データ、テスト結果データは、-1:未指定, 0:red, 1:blueとなっている。この分類器は、redとblueを分離することが目的である。
Vector<int[]> rects = new Vector<int[]>();
int clicked_count = 0;
ListBoxAd listbox;
void setup()
{
  size(300,200);
  int header = 30;
  int footer = 20;
  int left_right_margin = 25;
  for(int x=left_right_margin;x<width-left_right_margin;x+=5){
    for(int y=header;y<height-footer;y+=5){
      rects.add(new int[]{x,y,5,5,-1,-1});
    }
  }
  // 使用する分類器を登録する。配列の最初の文字はwekaのクラス名、2つ目の文字はオプションの文字列とする。
  // オプションの文字列は、カンマ区切りとしてString.splitによって配列に変換されてwekaに与えられる。
  listbox = new ListBoxAd(this,new String[][]{
    {"weka.classifiers.functions.SMO","-K,weka.classifiers.functions.supportVector.RBFKernel -G 10.0"},
    {"weka.classifiers.bayes.NaiveBayes",""},
    {"weka.classifiers.functions.MultilayerPerceptron","-N,10000,-H,t"},
    {"weka.classifiers.lazy.IB1",""},
    {"weka.classifiers.lazy.KStar",""},
    {"weka.classifiers.meta.AdaBoostM1","-W,weka.classifiers.lazy.KStar"},
    {"weka.classifiers.meta.Bagging","-W,weka.classifiers.lazy.KStar"},
//    {"weka.classifiers.trees.J48","-U"},
  },10,20,width-20,height-20);
}
void draw()
{
  background(255);
  rectMode(CORNER);
  
  for(int[] p : rects){
    fill(p[4]==1?0:255,p[4]==-1?255:0,p[4]==0?0:255);
    stroke(p[5]==0?255:0,0,p[5]==1?255:0);
    rect(p[0],p[1],p[2],p[3]);
  }
}
void mouseClicked()
{
  if(listbox.isIgnoredClick(mouseX,mouseY)==true){
    if(listbox.isChanged()){
       learning();
    }
    return;
  }
  for(int[] p : rects){
    if(mouseX>=p[0]&&mouseX<=p[0]+p[2] &&
      mouseY>=p[1]&&mouseY<=p[1]+p[3]){
      if(p[4]==-1){
        clicked_count++;
      }
      p[4] = mouseButton==LEFT?0:1;
      learning();
      break;
    }
  }
}
void keyPressed(){
  if(key==' ' || key=='c' || (key==CODED&&keyCode==BACKSPACE)){
    for(int[] p : rects){
      p[4] = p[5] = -1;
    }
    clicked_count = 0;
  }
}
boolean learning(){
  if(clicked_count<3){
    return false;
  }
  weka.core.FastVector attrs = new weka.core.FastVector();
  attrs.addElement(new weka.core.Attribute("x"));
  attrs.addElement(new weka.core.Attribute("y"));
  weka.core.FastVector attr_class = new weka.core.FastVector();
  attr_class.addElement(new String("red"));
  attr_class.addElement(new String("blue"));
  attrs.addElement(new weka.core.Attribute("red_blue",attr_class));
  
  weka.core.Instances trains = new weka.core.Instances("",attrs,0);
  trains.setClassIndex(trains.numAttributes()-1);
  
  for(int[] p : rects){
    if(p[4]!=-1){
      weka.core.Instance inst = new weka.core.Instance(trains.numAttributes());
      inst.setDataset(trains);
      int cnt = 0;
      for(;cnt<2;cnt++){
        inst.setValue(cnt,p[cnt]);
      }
      inst.setValue(cnt++,p[4]==0?"red":"blue");
      trains.add(inst);
    }
  }
  weka.classifiers.Classifier cl;
  try{
    cl = (weka.classifiers.Classifier)Class.forName(listbox.getString()).newInstance();
    cl.setOptions(listbox.getOptionString().split(","));
    cl.buildClassifier(trains);
  }catch(Exception e){
    e.printStackTrace();
    return false;
  }
  
  for(int[] p : rects){
    weka.core.Instance test_data = new weka.core.Instance(trains.numAttributes());
    test_data.setDataset(trains);
    int cnt=0;
    for(;cnt<2;cnt++){
      test_data.setValue(cnt,p[cnt]);
    }
    try{
      p[5] = (int)cl.classifyInstance(test_data);
    }catch(Exception e){
      e.printStackTrace();
      return false;
    }
  }
  return true;
}