[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!

[Δείτε περισσότερα εδώ...]

Συμβουλές καλής χρήσης του φόρουμ: Youtube embed code and links, Shoutbox, Notify, ...

Δείτε περισσότερα εδώ...

[mermaid]

Για την πρώτη εργασία μου έτυχε τραπέζι και έπρεπε ο defuzzier μου να είναι Center of Sum. Δοκίμασα να γράψω μια δική μου συνάρτηση για Center of Sum (μιας και δεν υπάρχει έτοιμη απο matlab) αλλά όταν προσπαθώ να την περάσω στο FIS μου βγάζει το εξής μήνυμα: Custom method is undefined. Ξέρει κανένας γιατί συμβαίνει αυτό;

ίσως θέλει αυτάκια το όνομα, γιατί έπαιζαν πολύ όταν προσπαθούσα και γω να περάσω τα μοντέλα ελεγκτών. Δοκίμασε 'cos' ή 'cos.m'

edit: άκυρο, εκεί που λες εσύ απλά επιλέγεις την συνάρτηση έτσι δεν είναι; δες αν έχεις τα αρχεία σου στον ίδιο φάκελο

[Prison Mike]

edit: άκυρο, εκεί που λες εσύ απλά επιλέγεις την συνάρτηση έτσι δεν είναι; δες αν έχεις τα αρχεία σου στον ίδιο φάκελο

Είναι στον ίδιο φάκελο όλα τα αρχεία. Κάτι άλλο πρέπει να πηγαίνει λάθος 

[joal]

Υπάρχουν κάπου οι αναθέσεις εργασιών ή τις έχει κανείς κρατημένες; Στο elearning δεν υπάρχει....

[A Caster]

Υπάρχουν κάπου οι αναθέσεις εργασιών ή τις έχει κανείς κρατημένες; Στο elearning δεν υπάρχει....

τσεκαρε υπολογιστικη νοημοσυνη στους συμμετεχοντες

[joal]

τσεκαρε υπολογιστικη νοημοσυνη στους συμμετεχοντες

Εννοείς για τις ομάδες που γράφει δίπλα απο κάθε όνομα; Στα ασαφή που είχα κάνει εγγραφή εγώ δεν μας είχε πει κάτι τέτοιο για να προκύψει η κάθε μια απο τις πρώτες 2 εργασίες και τώρα που έκανα εγγραφή στην υπολογιστική νοημοσύνη με έχει χωρίς ομάδα. Μαλλον καλύτερα να στείλω ενα μειλ

[A Caster]

ναι το καλυτερο θα ηταν να στειλεις. Γενικα ομως νομιζω ανανεωνονται οι αναθεσεις καθε μερικες μερες οποτε ισως να δεις αναθεση χωρις να κανεις κατι σε λιγο καιρο.

[Asclepias tuberosa]

Μια ερώτηση σε σχέση με το 2ο μέρος της 3ης εργασίας για το 5-fold cross validation.
Διαβάζοντας τη διαδικασία στο ίντερνετ κατάλαβα ότι πρέπει να χωρίσουμε το training set (όπως προέκυψε από τον αρχικό διαχωρισμό όλων των δεδομένων 60%-20%-20%) σε 5 σετ από τα οποία τα 4(80%) θα γίνουν training και το 1(20%) test (με αυτό να επαναλαμβάνεται 5 φορές για κάθε συνδυασμό ra και αριθμό χαρακτηριστικών).

Στην εκφώνηση γράφει  "Ο διαχωρισμός των δεδομένων να γίνει έτσι ώστε σε κάθε επανάληψη, το 80% των δεδομένων να χρησιμοποιείται για εκπαίδευση και το υπόλοιπο 20% για επικύρωση (ως είσοδοι στη συνάρτηση anfis του MATLAB)."

Αυτό σημαίνει ότι πρέπει να χωρίσουμε το μικρότερο training set που προέκυψε κατά τον διαχωρισμό στο cross validation σε 80% για training και 20% για validation (+ το 20% το test set που έχουμε ήδη, όπως περιγράφηκε παραπάνω) ή το 20% για επικύρωση που αναφέρει στην εκφώνηση είναι το test σετ από τον διαχωρισμό που περιγράφηκε και απλά εμείς το χρησιμοποιούμε για validation και όχι για αξιολόγηση (testing)?
Ελπίζω να βγάζει νόημα η ερώτηση μου. 

[tsipouros]

Εγώ από αυτό που καταλαβαίνω από την εκφώνηση είναι ότι χωρίζουμε τα δεδομένα σε τρία υποσύνολα:

• train 60%
• validation 20%
• check 20%

Και μετά για το 5-fold cross validation χωρίζουμε το train σε δύο νέα υποσύνολα

• train_new που είναι το 80% του αρχικού train
• validation_new που είναι το 20% του αρχικού train

[A Caster]

Και μετά για το 5-fold cross validation χωρίζουμε το train σε δύο νέα υποσύνολα

• train_new που είναι το 80% του αρχικού train
• validation_new που είναι το 20% του αρχικού train

Αυτο δεν μου ακουγεται πολυ σωστο. Γενικα η διαφορα του validation και του test ειναι οτι στο validation συγκρινεις μεταξυ τους μοντελα, και μετα στο test ελεγχεις την τελικη ακριβεια του μοντελου που επελεξες βασει των αποτελεσματων στο validation.

Επομενως το πιο λογικο θα ηταν το 5-fold να ειναι στο 80% του αρχικου, και αφου βγαλεις ενα αποτελεσμα απο το 5-fold, κανεις test στο υπολοιπο 20%

edit: εκτος αν εχει ζητηθει κατι συγκεκριμενο

[Judas Priest saved me]

Λοιπόν, χωρίζεις το dataset σε 5 υποσύνολα. Σε κάθε επανάληψη διαλέγεις διαφορετικό ως test set και τα υπόλοιπα 4 ειναι τα train set και validation set. Τώρα παίρνεις αυτά τα 4 υποσύλα, που είναι το 80% του αρχικού συνόλου και τα σπας 60%-20% σε train set και validation set. Αρα τελικά έχεις 60%-20%-20%.

Αυτό είναι το 5-fold cross validation. Το πλεονέκτημα είναι ότι χρησιμοποιώντας ξανά τα ίδα δεδομένα, αλλά με διαφορετική μοιρασιά σε σετ, πετυχαίνεις πιο καλή αξιολόγηση του μοντέλου. Αυτο συμβαίνει γιατί μπορεί πχ η μοιρασιά της πρώτη επανάληψης να κολλάει γάντι στο μοντέλο και να στο βγάλει γαμάτο, ενώ η μοιρασιά της δεύτερης να στο βγάλει γτπ. Με το cross validation παίρνοντας τον μέσο όρο έχεις πιο ακριβή αξιολόγηση του μοντέλου.

tsipouros αυτό που λες δεν είναι cross validation. Χρησιμοποιείς σε κάθε επανάληψη τα ίδια δεδομένα για test και train, που είναι ακριβώς αυτό που θέλουμε να αποφύγουμε με cross validation.

[savvaska]

 Καλησπέρα παιδιά, στο πρώτο μέρος της 4ης εργασίας τι overall accuracy σας βγαίνει ;

[Numb3rs]

70% class independent και 50-70% class dependent

[Deadhead]

Εργασία 1 σε αυτή με το τραπέζι. Ένα κέρδος Ka που υπάρχει στο σχ.1 για τον γραμμικό ελεγκτή θεωρώ ότι είναι στο K που ζητάει να βρώ;

Δηλαδή Κ = 25*Ka*Kp

[twil]

Για το TSK_model_3 εγώ βγαζω R^2 περίπου 0.83 που ειναι και το μεγαλυτερο που έβγαλα απο τα 4 μοντελα, στο TSK_model_4 μαλλον γίνεται overfitting.

εγω στο πρωτο μερος εβγαλα 0.99
και στο δευτερο μερος εβγαλα 0.98

Παιδιά  μόνο εμένα μου βγαίνουν πολύ χαμηλά τα R2? Παίζουν από αρνητικά έως 0.7, ανεξαρτήτως του τρόπου που επιλέγω να κάνω normalization (https://www.mathworks.com/help/matlab/ref/double.normalize.html).

Επίσης ένα άλλο παράδοξο είναι ότι όταν χρησιμοποιώ το Dtest βγάζω καλύτερες προβλέψεις από όταν χρησιμοποιώ το Dvalidation (που θεωρητικά δε θα έπρεπε να συμβαίνει).

Γενικά η διαδικασία που ακολουθώ (πχ για TSK1) είναι ως εξης:

1) normalize dataset (και τις 6 στήλες και όχι μόνο τις 5 πρώτες = input)
2) split σε Dtrn Dval Dtest
3) init_fis = genfis1(Dtrn, 2, 'gbellmf', 'constant');
4) [trn_fis, trainError, ~, valFIS, valError] = anfis(Dtrn, anfis_opt); όπου μέσα στο options έχω ορίσει το Dval να το χρησιμοποιήσει
5) output = evalfis(Dtest(:,1:end-1),valFIS);
6) error = output - Dchk(:,end);
7) metrics

Κάνω κάτι λάθος;  Tα δεδομένα τα πήρα από εδώ http://archive.ics.uci.edu/ml/datasets/Airfoil+Self-Noise#, ενώ οι μετρικές μου βγάζουν ίδιο ακριβώς νούμερο με αυτές του elearning (άρα δεν είναι θέμα υλοποίησής τους).

Το (1) το αναφέρω λόγω αυτού:

Έκανα στα δεδομένα εισόδου μόνο, όπως κάνει και στη συνάρτηση split_scale.m που ανέβασε στο elearning. Βέβαια δεν ξέρω κατά πόσο η όποια κανονικοποιήση ευθύνεται για το χαμηλό R2 που βγάζεις.

[savvaska]

Η γενική λογική φαίνεται σωστή. Παρατηρώ τα εξής :
Στο βήμα 6 μάλλον  εννοείς Dtest(:, end) αντί για Dchk(:,end) εφόσον έτσι ονόμασες το σύνολο δεδομένων για τον έλεγχο της απόδοσης του μοντέλου στο βήμα 2.
Επίσης, στο βήμα 6 αφαιρείς ανάποδα νομίζω. Θα έπρεπε να αφαιρείς από το Dtest(:, end) το output που έχεις μετά την εκπαίδευση και το οποίο υπολογίζεις στο βήμα 5.