Choose a more interpretable default granularity for histograms

Impact uniquement dans MHDiscretizerMODLHistogram::DiscretizeValues
- application generale de la regle de Terell-Scott
  // Les histogrammes MODL sont optimaux.
  // Pour chaque variable numerique, on produit une serie d'histogrammes interpretables, par granularite croissante.
  // Le probleme est que l'histogramme interpretable le plus fin est parfois tres complexe, de type "herisson",
  // ce qui peut derouter un utilisateur non expert. Ce probleme se produit dans environ 20% des cas.
  // Plutot que de montrer par defaut l'histogramme interpretable le plus fin, on propose d'utiliser la
  // regle de Terell-Scott  (cf. https://en.wikipedia.org/wiki/Histogram), avec un nombre de bins a (2 N)^1/3
  // Ce choix permet d'avoir par defaut un histogramme a la fois fin et plus simple a interpreter:
  // - en evitant des choix trop heuristiques de type "regle du coude", ou nombre maximal de "peaks"
  // - pas trop parcimonieux (comme la regle de Sturges en log(N))
  // - ne dependant pas des valeurs (comme la regle de Scott, qui utilise l'ecart type)
  // - tres simple a calculer
  // - avec une justification theorique, facile a defendre
- sauf dans le cas des discretisation avec nombre d'intervalles raisonnable
  // La regle de Terell-Scott est pertinente pour eviter les histogrammes de type "herisson" comportant des
  // centaines, voire des milliers d'intervalles: cela ameliore vraiment le choix de la granularite par defaut.
  // Par contre, dans le cas des discretisation avec faible nombre d'intervalles, l'application de cette
  // regle aboutit parfois a un choix de granulatite trop grossiere, avec perte d'information
  // De facon heuristique, on choisit donc de ne pas appliquer la regle de Terell-Scott s'il y a moins
  // de 100 intervalles

Deux jeux de test CICD de LearningTest\TestKhiops\Standard impactes:
- TestKhiops/Standard/AdultU
- TestKhiops/Standard/BugMPIWithErrors

Plus une dizaine de jeux de test de LearningTest impactes:
- TestKhiops/MissingValues/PreparationU
- TestKhiops/MultiTables/AuslanSecondary
- TestKhiops/Histograms/Adult
- TestKhiops/Histograms/ChallengingHistograms
- TestKhiops/Histograms/Criteo
- TestKhiops/Histograms/LunarCrater
- TestKhiops/Histograms/PredictionAgeMaxPartNumber
- TestKhiops/HistogramsLimits/Cauchy
- ...

Resultats satisfaisants dans la vaste majorite des cas, mais parfois perte significative d'information (cf. TenNormals)
Necessite d'etendre l'outil de visualisation pour explorer l'ensemble des granularites (fonctionnalite deja identifiee)

src/Learning/KWLearningProblem/KWLearningProblemView.cpp

@@ -278,7 +278,7 @@ void KWLearningProblemView::ComputeStats()
 	// On verifie a minima qu'une base est specifiee
 	bOk = GetLearningProblem()->CheckTrainDatabaseName();
 
-	// Test si on a pas specifie de dictionnaire d'analyse, pour le construire automatiquement a la volee
+	// Test si on n'a pas specifie de dictionnaire d'analyse, pour le construire automatiquement a la volee
 	if (bOk and GetLearningProblem()->GetTrainDatabase()->GetClassName() == "")
 		bOk = BuildClassFromDataTable();
 

src/Learning/MHHistograms/MHDiscretizerMODLHistogram.cpp

@@ -57,12 +57,14 @@ void MHDiscretizerMODLHistogram::DiscretizeValues(ContinuousVector* cvSourceValu
 	int n;
 	int nMissingValueNumber;
 	ContinuousVector cvActualValues;
+	int nTerrellScottMaxPartNumber;
 	int nRequiredMaxPartNumber;
+	int nMaxPartNumber;
 
 	require(GetHistogramSpec()->GetHistogramCriterion() == "G-Enum-fp");
 
 	// On memorise le nombre de partie max demandees
-	// En effet, on ne passe pas par lea contrainte de discretisatuion dans le cas des histogrammes
+	// En effet, on ne passe pas par la contrainte de discretisation dans le cas des histogrammes
 	// On exploite si necessaire la granularite des histogrammes pour gerer cette contrainte,
 	// en ayant prealablement optimise les histogrammes comme dans le cas classique
 	nRequiredMaxPartNumber = GetMaxIntervalNumber();
@@ -109,33 +111,50 @@ void MHDiscretizerMODLHistogram::DiscretizeValues(ContinuousVector* cvSourceValu
 			oaResultHistograms.Add(postprocessedOptimizedHistogram);
 		oaResultHistograms.Add(optimizedHistogram);
 
-		// Recherche du meilleur histogramme
-		if (postprocessedOptimizedHistogram != NULL)
-			bestHistogram = postprocessedOptimizedHistogram;
-		else
-			bestHistogram = optimizedHistogram;
-
-		// Cas avec contrainte sur le nombre max d'intervalles
+		// Les histogrammes MODL sont optimaux.
+		// Pour chaque variable numerique, on produit une serie d'histogrammes interpretables, par granularite croissante.
+		// Le probleme est que l'histogramme interpretable le plus fin est parfois tres complexe, de type "herisson",
+		// ce qui peut derouter un utilisateur non expert. Ce probleme se produit dans environ 20% des cas.
+		// Plutot que de montrer par defaut l'histogramme interpretable le plus fin, on propose d'utiliser la
+		// regle de Terrell-Scott  (cf. https://en.wikipedia.org/wiki/Histogram), avec un nombre de bins de (2 N)^1/3
+		// Ce choix permet d'avoir par defaut un histogramme a la fois fin et plus simple a interpreter:
+		// - en evitant des choix trop heuristiques de type "regle du coude", ou nombre maximal de "peaks"
+		// - pas trop parcimonieux (comme la regle de Sturges en log(N))
+		// - ne dependant pas des valeurs (comme la regle de Scott, qui utilise l'ecart type)
+		// - tres simple a calculer
+		// - avec une justification theorique, facile a defendre
+		nTerrellScottMaxPartNumber = int(ceil(pow(2 * cvSourceValues->GetSize(), 1.0 / 3)));
+		nMaxPartNumber = nTerrellScottMaxPartNumber;
+
+		// La regle de Terrell-Scott est pertinente pour eviter les histogrammes de type "herisson" comportant des
+		// centaines, voire des milliers d'intervalles: cela ameliore vraiment le choix de la granularite par defaut.
+		// Par contre, dans le cas des discretisations avec faible nombre d'intervalles, l'application de cette
+		// regle aboutit parfois a un choix de granularite trop grossiere, avec perte d'information
+		// De facon heuristique, on choisit donc de ne pas appliquer la regle de Terell-Scott s'il y a moins
+		// de 100 intervalles
+		nMaxPartNumber = max(100, nMaxPartNumber);
+
+		// Nombre max partie en prenant en compte l'eventuelle contrainte utilisateur
 		if (nRequiredMaxPartNumber > 0)
+			nMaxPartNumber = min(nRequiredMaxPartNumber, nMaxPartNumber);
+
+		// On recherche l'histogramme interpretable le plus fin qui respecte la contrainte
+		bestHistogram = NULL;
+		for (n = oaResultHistograms.GetSize() - 1; n >= 0; n--)
 		{
-			// On garde le premier histogramme qui respecte la contrainte
-			if (bestHistogram->GetIntervalNumber() > nRequiredMaxPartNumber)
+			histogram = cast(MHHistogram*, oaResultHistograms.GetAt(n));
+
+			// On ne considere que les histogrammes interpretables, c'est a dire tous sauf eventuellement le dernier
+			if (not histogram->GetRaw())
 			{
-				// Parcours des histogramme candidats en partant de l'avant dernier, ce qui permet
-				// de traiter les cas ou le meilleur histogramme etait la version post-optimise ou non
-				bestHistogram = NULL;
-				for (n = oaResultHistograms.GetSize() - 2; n >= 0; n--)
+				if (histogram->GetIntervalNumber() <= nMaxPartNumber)
 				{
-					histogram = cast(MHHistogram*, oaResultHistograms.GetAt(n));
-					if (histogram->GetIntervalNumber() <= nRequiredMaxPartNumber)
-					{
-						bestHistogram = histogram;
-						break;
-					}
+					bestHistogram = histogram;
+					break;
 				}
-				assert(bestHistogram != NULL);
 			}
 		}
+		assert(bestHistogram != NULL);
 
 		// Transformation du meilleur histogramme en une table de contingence non supervisee
 		BuildOutputFrequencyTableAndBounds(bestHistogram, nMissingValueNumber, kwftTarget, cvBounds);

src/Learning/MODL_Coclustering/CCLearningProblem.cpp

@@ -655,7 +655,7 @@ boolean CCLearningProblem::CheckCoclusteringSpecifications() const
 			AddError("No coclustering variable specified");
 			bOk = false;
 		}
-		// Il doit y avoir au moins deux variables specifiee pour un co-clustering
+		// Il doit y avoir au moins deux variables specifiees pour un co-clustering
 		else if (analysisSpec->GetCoclusteringSpec()->GetAttributeNames()->GetSize() < 2)
 		{
 			AddError("At least two coclustering variables must be specified");

src/Learning/MODL_Coclustering/CCLearningProblemView.cpp

@@ -193,7 +193,7 @@ void CCLearningProblemView::BuildCoclustering()
 	// On verifie a minima qu'une base est specifiee
 	bOk = GetLearningProblem()->CheckDatabaseName();
 
-	// Test si on a pas specifie de dictionnaire d'analyse, pour le construire automatiquement a la volee
+	// Test si on n'a pas specifie de dictionnaire d'analyse, pour le construire automatiquement a la volee
 	if (bOk and GetLearningProblem()->GetDatabase()->GetClassName() == "")
 		bOk = BuildClassFromDataTable();