Ευφυή Συστήματα Ρομπότ: ΕΡΓΑΣΙΑ 2008-2009

[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!

[height=400]

  Όταν ανεβάζουμε φωτογραφίες στις Ανακοινώσεις και Έκτακτα νέα, βάζουμε τη μεγαλύτερη πλευρά 400 (width=400 ή height=400 ). π.χ. [img height=400 (κλείνει η αγκύλη) 

[Tsieki]

Οκ ευχαριστώ και πάλι Kronokid!
Διαιρώ το κάθε στοιχείο του πίνακα 54x20 με το ολικό max όλων των στοιχειων που έχουμε. ε?
Δεν παίρνω διαφορετικό max για καθε γραμμή. ε? (Last question...i think...  )

[Krono]

Όχι, δαιρείς το κάθε στοιχείο με το μέγιστο στην ίδια διάσταση. (Το πρόβλημα έχει 20 διαστάσεις)
Αλλιώς το αποτέλεσμα είναι το ίδιο.

[Tsieki]

Α οκ... Τhanks για την άμεση απάντηση...
Δηλαδή το μέγιστο κάθε στήλης και διαιρώ το κάθε στοιχείο με το αντίστοιχο μέγιστο της στήλης στην οποία βρίσκεται.
Σωστά?

[manolios]

Όχι, δαιρείς το κάθε στοιχείο με το μέγιστο στην ίδια διάσταση. (Το πρόβλημα έχει 20 διαστάσεις)
Αλλιώς το αποτέλεσμα είναι το ίδιο.

Σε μένα το αποτέλεσμα είναι χειρότερο όταν κανονικοποιώ με αυτό τον τρόπο.
Γι' αυτό κανονικοποιω με το min max όλων τον στοιχείων και παίρνω καλά αποτελέσματα σχετικά.

[mendelita]

Όχι, δαιρείς το κάθε στοιχείο με το μέγιστο στην ίδια διάσταση. (Το πρόβλημα έχει 20 διαστάσεις)
Αλλιώς το αποτέλεσμα είναι το ίδιο.

Αυτό το είπε αυτός που μας έκανε το εργαστήριο;

[Krono]

   Λοιπόν, μία φορά θα το εξηγήσω:
   Η κανονικοποίηση γίνεται για να μην έχει το ένα χαρακτηριστικό δυσανάλογα μεγαλύτερη τιμή από το άλλο.
   Αν πχ η μία στήλη έχει τιμές στο διάστημα [10000,20000] και η άλλη στήλη έχει τιμές [0,0.1] τότε το νευρωνικό στην ουσία θα προβλέπει μόνο την πρώτη γιατί η συνισφορά της στο συνολικό σφάλμα θα είναι τεράστια.
   Έτσι, σφάλμα 50%, στη μια περίπτωση είναι 5000² και στην άλλη περίπτωση 0,05².
    Αν τώρα εσύ διαλέξεις να διαιρέσεις όλες τιμές με το 20000 (τάχα κάνεις κανονικοποίηση) τότε στη μια στήλη θα είσαι εντάξει [0.5,1] αλλά στην άλλη τα πράγματα θα είναι πολύ άσχημα [0,0.000005].
    Προφανώς και βγάζεις καλά αποτελέσματα γιατί στην ουία δεν προβλέπεις όλα τα χαρακτηριστικά αλλά μόνο αυτά που επικρατούν.
     

edit: Αν απο την άλλη διαιρέσεις τη μια στήλη με 20000 και την άλλη με 0.1 τότε και οι δυο στήλες έχουν κανονικοποιημένες τιμές στο διάστημα [0,1] που είναι και το ζητούμενο.

[manolios]

   Λοιπόν, μία φορά θα το εξηγήσω:
   Η κανονικοποίηση γίνεται για να μην έχει το ένα χαρακτηριστικό δυσανάλογα μεγαλύτερη τιμή από το άλλο.
   Αν πχ η μία στήλη έχει τιμές στο διάστημα [10000,20000] και η άλλη στήλη έχει τιμές [0,0.1] τότε το νευρωνικό στην ουσία θα προβλέπει μόνο την πρώτη γιατί η συνισφορά της στο συνολικό σφάλμα θα είναι τεράστια.
   Έτσι, σφάλμα 50%, στη μια περίπτωση είναι 5000² και στην άλλη περίπτωση 0,05².
    Αν τώρα εσύ διαλέξεις να διαιρέσεις όλες τιμές με το 20000 (τάχα κάνεις κανονικοποίηση) τότε στη μια στήλη θα είσαι εντάξει [0.5,1] αλλά στην άλλη τα πράγματα θα είναι πολύ άσχημα [0,0.000005].
    Προφανώς και βγάζεις καλά αποτελέσματα γιατί στην ουία δεν προβλέπεις όλα τα χαρακτηριστικά αλλά μόνο αυτά που επικρατούν.

Όταν λέω καλά αποτελέσματα εννοώ οτι τα δείγματα του Output ειναι πολυ κοντά στα δειγματα του Target.
Όταν κάνω κανονικοποίηση ως προς τα χαρακτηριστικά το αποτέλεσμα είναι χειρότερο άσχετα αν το σφάλμα
είναι μικρότερο.
Ίσως αυτό να συμβαίνει γιατί ολα τα χαρακτηριστικά έχουν πανω κατω ιδιες τιμες. Αν ειχαμε δειγματα με μεγάλη διασπορα
στις τιμές των χαρακτηριστικών ισως φαινόταν καλύτερα αυτό που λες.

[Tsieki]

Εμένα μετά την κανονικοποίηση το GA βγάζει ότι'ναι... Υπερβολικά μεγάλα ποσοστα...

[mendelita]

Εμένα πάλι και μετά την κανονικοποίηση βγάζει πολύ καλά αποτελέσματα με πολύ λίγα νευρώνια..

[Tsieki]

ΟΥΦ! Πραγματικά δεν ξέρω τι άλλο να κάνω, οπότε παραθέτω πολύ σύντομα τι έχω κάνει να μου πείτε αν το κάνατε με τον ίδιο τρόπο
και έχετε καλά αποτελέσματα:

Μετά την κανονικοποίηση, ορίζω πόσα δείγματα θα αποτελούντ το train set και πόσα το test set.
Έστω 10 εξάδες το train set(5 frames +1 η έξοδος) και 39 εξάδες το test set.
 
Στην συνέχεια objfun = @(W) mse_frames(W,Input_train,Target_train);, όπου mse_frames είναι αντίστοιχη προς την mse_iris.
Μετά [W Accuracy]=ga(objfun,size_w,options)

Και τέλος fprintf('Classification accuracy: %.2f %%\n\n\n',100-100*Accuracy);

Γιατι το ποσοστό μου βγαίνει 99,9+% ???
Έτσι το έχετε κάνει και εσεις?
 

[OtiNaNAi]

Βασικα κ μενα μου βγαζει κατι 99αρια στο Accuracy

Παρατηρώντας όμως τα νουμερα στα Ταργκετ και Ουτπουτ, σε καμια περιπτωση δεν εχω τοσο μεγαλη ακριβεια αφου οι αποκλισεις φαίνονται μεγαλύτερες (το σφαλμα ειναι περιπου 6-8)%

οπότε προφανώς υπάρχει κάποιο λάθος στη διαδικασία του [W Accuracy]....???

[Tsieki]

Πάντως στα παραδείγματα του εργαστηριου, έτσι το έχει το accuracy... 
Ας πει κάποιος αν ξέρει...

[Krono]

Πάντως στα παραδείγματα του εργαστηριου, έτσι το έχει το accuracy... 
Ας πει κάποιος αν ξέρει...

Βασικά έχει [W fval] νομίζω. Εξαρτάται πως υπολογίζεται το σφάλμα στην fittness function. Αν υπολογίζεται ως mse() τότε συμπίπτει με το Accuracy.

[Tsieki]

Πάντως στα παραδείγματα του εργαστηριου, έτσι το έχει το accuracy... 
Ας πει κάποιος αν ξέρει...

Βασικά έχει [W fval] νομίζω. Εξαρτάται πως υπολογίζεται το σφάλμα στην fittness function. Αν υπολογίζεται ως mse() τότε συμπίπτει με το Accuracy.

Βασικά τα ξανακατέβασα από το υλικό μαθήματος και στην νεα GA_iris το εχει [W Accuracy]. Παλιά το έιχε [W feval]...

[solid_snake]

Παιδια για κανονικοποίηση χρησιμοποίησε κανένας την mapminmax?
Ή απλά διερείτε κάθε στοιχείο της κάθε διάστασης με το μέγιστο?