Para facilitar la labor de corrección, hemos incluido este fichero donde se resumen algunas de las mejoras de la nueva versión implementada, las sugerencias del profesor, y mejoras propias que se nos han ocurrido para intentar mejorar la experiencia de usuario.
Mejoras propias
===============
- Creada una clase FileType que permite verificar que cierto archivo tiene una extensión dada. En caso contrario lanza una excepción propia y se deja de trabajar con el archivo. Usamos esta clase para verificar que trabajamos con ficheros CSV.
- Creados test unitarios para comprobar el funcionamiento de la clase FileType.
- Creada una excepción propia InvalidFileTypeException.
- Creada una ventana "popup" que aparece si el fichero que se abre no es csv y advierte al usuario.
- Gestionada en el controlador la inserción de puntos para estimar. Si se introducen valores que no se pueden pasar a Double no produce un error.
- Creada una ventana "popup" que aparece si el punto introducido no pasa la validación anterior.
- Añadido nuevo botón para volver al principio en la interfaz gráfica, permitiendo escoger nuevamente un fichero.
- Añadido nuevo botón para volver a ver un punto anterior ya estimado. La información referente al anterior punto la tiene el controlador, y es la vista la que se la pide cuando la requiere.
- Añadido nuevo botón que permite abrir un dataset de ejemplo. El controlador se encarga de gestionarlo y pasar al modelo el fichero a leer.
- Añadida una clase SingletonFileSamples que proporciona un punto de acceso global a ficheros de ejemplo. Esto permitiría trabajar de forma eficiente con varios controladores y test. Al cambiar el fichero de ejemplo en la clase Sigleton, todas las clases que dependen de ella se actualizarían.
Sesión 1
========
7 Estupenda factorización del código en CSV. Me encanta.
8 Los tipos que se usan en los argumentos de algunos métodos son cuestionables
KNN.train(TableWithLabels tabla) --> KNN.train(Table tabla) // Y posteriormente se promociona a TableWithLabels
9 Los nombres de algunas variables o funciones no parecen demasiado adecuados
Sustituidos los nombres confusos y poco explicativos.
br --> bufferedReader
e --> exception
campos --> encabezadosCSV
num --> splittedLine
elementoFichero --> fila
elemento --> valor
listado --> listaNumeros
4 En algunas pruebas no se sabe cómo se ha obtenido el valor esperado o podría mejorarse/automatizarse
Se automatizan mediante el uso de los métodos ya definidos y bucles.
Se automatiza la obtención del nombre de los ficheros a usar mediante el patrón de diseño Singleton. Si quisiésemos cambiar alguno de los ficheros csv usados, solo habría que realizar un cambio en la clase Singleton.
Sesión 2
=========
21* Se tienen como atributos de la clase más info de la necesaria
Se suprimen los atributos de clase no necesarios
32 public void train(T tipo); // Más que “tipo” sería “datos”, por ejemplo
Corregido
33 Algorithm<TableWithLabels, Row, String > // para Kmeans debería ser Table, por más que usemos un dataset con etiquetas (pero que no usamos)
Corregido en Kmeans y en KNN
34 Los representantes inciaales (aleatorios), ¿no podrían repetirse?
Corregido mediante un do{}while(), escogiendo aleatoriamente un representante hasta encontrar uno que no este ya en el grupo de representantes
35 if (min_dist > dist || min_dist == -1.0)// ¿hace falta el 2º criterio?
Sí era necesario para que el código funcionase según lo esperado.
Corregida la implementación para que no sea necesario y simplificar el código.
36 obtenerEtiqueta() : algo no me cuadra; si el grupo es 3, la etiqueta es “cluster-3”. No hace falta una tabla con etiquetas; de hecho, no debe usarse las etiquetas reales
Corregido
37 suma() y multiplicar() // detalle menor, pero conviene ser consistentes en los nombres; ¿usamos infinitivo?
Corregido. Ambos son infinitivos ahora.
38 ¿para qué se llama a obtenerEtiqueta() en mediaPuntosPorGrupo()?
Corregido
39* El concepto de kmeans() no parece que esté claro; y parece que la implementación se resiente, aunque se nota un esfuerzo en tener una solución modular
Se ha modificado gran parte de la implementación de kmeans. Inicialmente se tenía una idea confusa de el concepto, pero en las siguientes clases de prácticas se han solucionado.
Sesión 3
========
17 ElementoFichero → “Fichero”? Nombre mejorable, confuso
Corregido, elementoFichero --> fila
18 Switch → sintaxis “nueva”. Sugiero la clásica para facilitar corrección de futuras entregas
Corregido en todos los switch encontrados
Sesión 4
========
2 estimateParams (Controller): no sería “estimateClass” o algo así?
Corregido
14 ¿Debería saber la vista de DistanceFactory? (no digo que no, es para reflexionar qué implica/conviene)
Corregido. Ahora es el controlador el que usa la factoría para obtener la distancia deseada.
15 La notificación del modelo a las vistas, podría ser a observadores más genéricos, no solo a las vistas ViewKNN
Corregido, ahora se hace uso de la interfaz vista en toda la clase model. Cualquier clase 'vista' que implemente la interfaz 'ViewInterface' podrá usar el modelo ya creado. Corregimos esta implementación en el resto de clases también. Añadimos los métodos necesarios a las interfaces para poder hacer uso de ellas como referencias.
16 setModel() podría reutilizarse en el constructor KNNView
Corregido. Ahora el constructor ya no accede directamente a las variables, sino que hace uso de los métodos setters privados.
17 En controlador: view.getPuntoValue() mejor que pasarle el punto?
Corregido, ahora el controlador recibe directamente el punto, ya no se lo pide a la vista.