[Aσαφή συστήματα] Εργασίες

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

Για οποιοδήποτε πρόβλημα με register/login, στείλτε email στο contact@thmmy.gr.

[00128419]

Λοιπον, γιατι θα τρελαθω

Στην εργασια 3, το 2ο μερος (με genfis3), για μερικους συνδυασμους NF και NR μου επιστρεφει NaN values στο Chech Error που επιστρεφει η anfis. Γενικα δεν γινεται για καθε συνδυασμο (και οχι καθε φορα για τον ιδιο συνδυασμο), συνηθως εμφανιζεται για NR>=15 και NF>10.

Αρχιζω να πιστευω οτι "πρεπει" να συμβαινει, απλα δεν εχω καλη εξηγηση. Συμβαινει και σε καναν αλλον?

Και εγω το ιδιο προβλημα ειχα για μεγαλους συνδυασμους κανονων και χαρακτηριστικων. Τελικα μειωσα τις μεγαλυτερες τιμες κανονων και χαρακτηριστικων και μου βγαινουν φυσιολογικα αποτελεσματα. Εξάλλου και στην εκφωνηση λεει οτι τα σετ παραμετρων δεν ειναι δεσμευτικα και μπορεις να τα αλλαξεις αν αντιμετωπιζεις προβλημα

[leukosaraphs!]

Και εγω το ιδιο προβλημα ειχα για μεγαλους συνδυασμους κανονων και χαρακτηριστικων. Τελικα μειωσα τις μεγαλυτερες τιμες κανονων και χαρακτηριστικων και μου βγαινουν φυσιολογικα αποτελεσματα. Εξάλλου και στην εκφωνηση λεει οτι τα σετ παραμετρων δεν ειναι δεσμευτικα και μπορεις να τα αλλαξεις αν αντιμετωπιζεις προβλημα

Και εγώ αυτό έκανα (και έβγαλα την κανονικοποίηση).

αν επιτρέπεται σε τι τιμές κατέληξες για NF και NR?

sent from mTHMMY 

[00128419]

Και εγώ αυτό έκανα (και έβγαλα την κανονικοποίηση).

αν επιτρέπεται σε τι τιμές κατέληξες για NF και NR?

sent from mTHMMY 

NF = [5 10 12 15];

NR=[5 8 10 12 15 ];

Αν και εγω έχω κάνει κανονικοποίηση στο [-1,1]

[leukosaraphs!]

NF = [5 10 12 15];

NR=[5 8 10 12 15 ];

Αν και εγω έχω κάνει κανονικοποίηση στο [-1,1]

Η κανονικοποίηση δεν αλλάζει κάτι, έκανα διάφορα τεστ και πάντα το σφάλμα ήταν ίδιο (κατά ποσοστό, οχί τιμη)...

Εντάξει καλά το πάμε 

NF = [3 6 9 12];

NR = [5 8 11 14 17];

[vag178]

Στην 3η εργασία για τις βέλτιστες τιμές (από το grid search) των NR-NF που δεν επιστρέφει NaN βρίσκω τα αποτελέσματα της εικόνας. Από ότι φαίνεται το μοντέλο δεν μπόρεσε να εκπαιδευτεί και τα αποτελέσματα της εξόδου είναι πολύ κακά. Έχω κάνει κάπου λάθος ή επειδή χρησιμοποιούμε λίγους κανόνες και χαρακτηριστικά είναι δύσκολο να πάρουμε καλό αποτέλεσμα;

[leukosaraphs!]

Στην 3η εργασία για τις βέλτιστες τιμές (από το grid search) των NR-NF που δεν επιστρέφει NaN βρίσκω τα αποτελέσματα της εικόνας. Από ότι φαίνεται το μοντέλο δεν μπόρεσε να εκπαιδευτεί και τα αποτελέσματα της εξόδου είναι πολύ κακά. Έχω κάνει κάπου λάθος ή επειδή χρησιμοποιούμε λίγους κανόνες και χαρακτηριστικά είναι δύσκολο να πάρουμε καλό αποτέλεσμα;

Απο οσο εχω καταλαβει, για τα μετρια αποτελεσματα (πχ R²=0.80) ευθυνεται σε καποιο βαθμο και το dataset. Παντως, εγω παρατηρησα το εξης:

• αν εκανα κανονικοποιηση στο [0 1], το μεσο RMSE σφαλμα μου ήταν καπου στο 0.08 με 0.1 (8 με 10%)
• αν εκανα κανονικοποιηση στο [0 10], το μεσο RMSE σφαλμα μου ήταν καπου στο 0.8 με 1 (8 με 10%)
• αν δεν εκανα κανονικοποιηση (η εξοδος βρισκεται στο [~0 185]), το μεσο RMSE σφαλμα μου ήταν καπου στο 16 με 20 (8.5 με 10.8%)

Ετσι, πχ αν βλεπεις μεγαλο σφαλμα ή μικρο δεν ειναι οτι εχεις καλυτερο μοντελο η οχι.

Σε αυτο που ρωτας, νομιζω οτι φταιει οτι στην εκπαιδευση του νευρωνικου δινουμε το 80% του D_trn, αρα το 80% του 60% του αρχικου dataset. Ειναι οντως λιγα στοιχεια για να προσεγγισεις αυτο το τερας με τα 81 χαρακτηριστικα.

tl;dr αν βγαζεις σφαλμα περιπου 8 με 10% (Ανηγμενο στο ευρο της εξοδου) νομιζω εισαι καλυμμενος.

[leukosaraphs!]

Εχει πιασει κανεις την 4η εργασια?

Ουσιαστικα το dataset ειναι πολυ χαλια και εχει τρομερο imbalance μεταξυ των κλασεων. Εγω βγαζω OverallAccuracy καπου στο 12.5% και νομιζω οτι στην τυχη να τα εβαζα στις κλασεις θα τα πηγαινα καλυτερα.

Ερωτησεις (πρωτο μισο 4ης εργασιας):
1)Εχει κανεις ακομα προβλημα με την genfis2 και το radii να πετυχει τα νουμερα που λεει για κανονες?

2)Αν εν τελει καταφερε κανεις να το τρεξει, δεν βγαζει ΚΑΙ αυτη η εργασια, απειρες NaN τιμες?

3) Αν ξεχασουμε τις NaN τιμες και δουμε τις κλασεις, προσεξα οτι βγαζω κατι τιμες τυπου -19 ή 45+, ενω επρεπε να βγαζω στο [1,12]. Αντε καταλαβαινω να βγαλω [0,13] λογω στρογγυλοποιησεων, αλλα οχι τοσο μακρια που βγαζω εγω.

ΥΓ. ετρεξα τον κωδικα μου για το περσινο dataset και εβγαλα ακριβεια μεταξυ 90% και 96%, αρα υποθετω ο κωδικας μου δεν εχει καποιο τοσο τρελο σφαλμα.

[KG8]

Εχει πιασει κανεις την 4η εργασια?

Ουσιαστικα το dataset ειναι πολυ χαλια και εχει τρομερο imbalance μεταξυ των κλασεων. Εγω βγαζω OverallAccuracy καπου στο 12.5% και νομιζω οτι στην τυχη να τα εβαζα στις κλασεις θα τα πηγαινα καλυτερα.

Ερωτησεις (πρωτο μισο 4ης εργασιας):
1)Εχει κανεις ακομα προβλημα με την genfis2 και το radii να πετυχει τα νουμερα που λεει για κανονες?

2)Αν εν τελει καταφερε κανεις να το τρεξει, δεν βγαζει ΚΑΙ αυτη η εργασια, απειρες NaN τιμες?

3) Αν ξεχασουμε τις NaN τιμες και δουμε τις κλασεις, προσεξα οτι βγαζω κατι τιμες τυπου -19 ή 45+, ενω επρεπε να βγαζω στο [1,12]. Αντε καταλαβαινω να βγαλω [0,13] λογω στρογγυλοποιησεων, αλλα οχι τοσο μακρια που βγαζω εγω.

ΥΓ. ετρεξα τον κωδικα μου για το περσινο dataset και εβγαλα ακριβεια μεταξυ 90% και 96%, αρα υποθετω ο κωδικας μου δεν εχει καποιο τοσο τρελο σφαλμα.

Μια απ' τα ίδια... Αν κάνω και την έξοδο constant όπως ζητάει, πέφτει και άλλο η ακρίβεια 

[leukosaraphs!]

Μια απ' τα ίδια... Αν κάνω και την έξοδο constant όπως ζητάει, πέφτει και άλλο η ακρίβεια  

ομολογω δεν δοκιμασα καν χωρις να το κανω constant. Υποθετω ετσι ειναι και προχωραμε(?!).

Επισης, οι ακραιες τιμες που βγαζω εχουν λογικη, καθως μερικες συναρτησεις συμμετοχης βρισκονται κοντα στο 80 με 100, χωρις να ξερω πως να το διορθωσω.

[00128419]

Εγώ για το 1ο κομμάτι της 4ης εργασίας μπορώ να προσεγγίσω μέχρι 6 κανόνες  περίπου χωρίς να υπάρξει πρόβλημα. Για να πετύχω τις μεγαλύτερες τιμές κανόνων που ζητάει στην εκφώνηση πρέπει να βάλω την ακτίνα κάτω από 0.1 με αποτέλεσμα να παίρνω άπειρες NaN τιμές και να μην μπορώ να αξιολογήσω το μοντέλο. Overall Accuracy πετυχαίνω περίπου 55-60% για κάποιες τιμές της ακτίνας. Με τοσο θορυβώδες dataset που έδωσε δεν νομίζω να γίνεται να πετυχουμε και τίποτα καλύτερο

[leukosaraphs!]

Εγώ για το 1ο κομμάτι της 4ης εργασίας μπορώ να προσεγγίσω μέχρι 6 κανόνες  περίπου χωρίς να υπάρξει πρόβλημα. Για να πετύχω τις μεγαλύτερες τιμές κανόνων που ζητάει στην εκφώνηση πρέπει να βάλω την ακτίνα κάτω από 0.1 με αποτέλεσμα να παίρνω άπειρες NaN τιμές και να μην μπορώ να αξιολογήσω το μοντέλο. Overall Accuracy πετυχαίνω περίπου 55-60% για κάποιες τιμές της ακτίνας. Με τοσο θορυβώδες dataset που έδωσε δεν νομίζω να γίνεται να πετυχουμε και τίποτα καλύτερο

Αρχικα, wow για το ποσοστο... Οτι εχω δοκιμασει (Χωρις να πειραξω το dataset {OverSampling ή UnderSampling}) μεχρι 15% το χω φτασει.

Επισης, προσεξες αν βγαζεις μεγαλες τιμες? (πανω του 12 ή κατω απο 1)

Για μικρες τιμες της ακτινας, δεν μου τρεχει καν οτιδηποτε κατω του 0.15 απλα βγαζει error.

[00128419]

Αρχικα, wow για το ποσοστο... Οτι εχω δοκιμασει (Χωρις να πειραξω το dataset {OverSampling ή UnderSampling}) μεχρι 15% το χω φτασει.

Επισης, προσεξες αν βγαζεις μεγαλες τιμες? (πανω του 12 ή κατω απο 1)

Για μικρες τιμες της ακτινας, δεν μου τρεχει καν οτιδηποτε κατω του 0.15 απλα βγαζει error.

Δεν πείραξα το dataset με resampling, αλλά προσπάθησα να πετύχω όσο το δυνατόν πιο όμοια συχνότητα εμφάνισης των δειγμάτων μεταξύ training, validation και check set, όπως λεεί στην εκφώνηση. Αν δεν το κάνω αυτό παίρνω και εγώ πολύ χαμηλές τιμές στο accuracy.

Στο Output δεν βγάζω πολύ τραβηγμένες τιμές, δηλαδή παιρνω αποτελέσματα στο [0,13] με στρογγυλοποίηση

[electron1]

Πάντως η συνάρτηση crossvalind με KFold φαίνεται να διαχωρίζει αρκετά καλά τα τρία σύνολα. Η συχνότητα εμφάνισης των κλάσεων διαφέρει σε μικρό βαθμό (σε σχέση με το αρχικό σύνολο), ωστόσο το accuracy συνεχίζει να είναι στα τάρταρα 

[KG8]

Δεν πείραξα το dataset με resampling, αλλά προσπάθησα να πετύχω όσο το δυνατόν πιο όμοια συχνότητα εμφάνισης των δειγμάτων μεταξύ training, validation και check set, όπως λεεί στην εκφώνηση. Αν δεν το κάνω αυτό παίρνω και εγώ πολύ χαμηλές τιμές στο accuracy.

Εγώ έκανα να γίνεται χειροκίνητα ο διαχωρισμός των δεδομένων για να πετύχω ίδια συχνότητα εμφάνισης, αλλά δε βλέπω καμία διαφορά από την τυχαία επιλογή των δεδομένων...

[leukosaraphs!]

Εγώ έκανα να γίνεται χειροκίνητα ο διαχωρισμός των δεδομένων για να πετύχω ίδια συχνότητα εμφάνισης, αλλά δε βλέπω καμία διαφορά από την τυχαία επιλογή των δεδομένων...

μια απο τα ιδια (αν και το εκανα απο την αρχη), απλα παρατηρω οτι αναλογα το ανακατεμα που κανω στον πινακα πριν τον χωρισω στα συνολα το Overall κινειται απο 6% μεχρι 15%.