[Αναγνώριση Προτύπων] Εργασίες 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!

[Αντιστοίχηση Μαθημάτων ΝΠΣ με ΠΠΣ]

Επίσημη ενημέρωση για Αντιστοίχηση Μαθημάτων ΝΠΣ με ΠΠΣ και η συζήτηση στο forum.

[anonymous-root]

Με τις εργασίες τι παίζει; Θα γίνουν σε ματλαμπ από ότι ξέρω. Για τον αλγόριθμο perceptron μόνο στο νετ θα ψάξουμε; ή έχει δώσει τπτ σημειώσεις στο μάθημα;

[CyberCaesar]

στο δευτερο μαθημα δεν εδωσε σιγουρα σημειωσεις κ αποσο ξερω ουτε στο πρωτο.

[MonteCristo]

Ρε παιδιά έχει κανείς κάποια ιδέα πως θα ξεκινήσουμε την υλοποίηση του αλγορίθμου;
Δηλάδη έχουμε κάποια δεδομένα στα οπια πρέπει να εφαρμόσυμε τον αλγόριθμο, αλλά τι θα χρησιμοποιήσουμε για το διάνυσμα των βαρών;
Γενικά, επειδή δεν έχω και πολύ επαφή με το μάθημα, όποια βοήθεια θα είναι χρήσιμη...

[igna]

Ρε παιδιά έχει κανείς κάποια ιδέα πως θα ξεκινήσουμε την υλοποίηση του αλγορίθμου;
Δηλάδη έχουμε κάποια δεδομένα στα οπια πρέπει να εφαρμόσυμε τον αλγόριθμο, αλλά τι θα χρησιμοποιήσουμε για το διάνυσμα των βαρών;

Eγώ αρχικά χρησιμοποίησα ένα τυχαίο διάνυσμα w.

Η απορία μου είναι σε άλλο σημείο. Εκπαίδευσα τον αλγόριθμο έτσι ώστε να γίνεται η διάγνωση σωστά για όλα τα δείγματα.
Στο ερώτημα 2 όμως επειδή έχουμε λιγότερες συνιστώσες ο αλγόριθμος δεν καταλήγει σε ένα διάνυσμα w, αλλά τρέχει συνεχώς.
Αν τον σταματήσω σε κάποιο σημείο μετά απο αρκετές επαναλήψεις θα είναι λάθος?

[UK]

Όχι δε θα είναι λάθος αν το κάνεις αυτό. Ορίζεις έναν αριθμό "εποχών" εκπαίδευσης (πχ 5000, 10000 ότι θες) και αν οι εποχές αυτές σου τελειώσουν πριν να εκπαιδευτεί τέλεια ο αλγόριθμος, η εκπαίδευση σταματάει. Καταλήγεις να έχεις ένα διάνυσμα βαρών το οποίο όταν θα εφαρμόζεται σε μια δεδομένη είσοδο θα σου δίνει αποτελέσματα με ένα συντελεστή σφάλματος (θεωρείται ότι είναι καλός αυτός ο συντελεστής όταν έχεις μια επιτυχία κατάταξης των δειγμάτων 90% και πάνω).
Η ανεπαρκής εκπαίδευση ίσως είναι και λογικό να συμβεί απο τη στιγμή που θα εκπαιδεύεις το δίκτυο με τόσα λίγα δείγματα. Μάλλον κάτι τέτοιο θα θέλει και στα σχόλια φαντάζομαι.

Για το διάνυσμα βαρών τώρα, όποια αρχικοποίηση και να επιλέξεις, δε θα έχει διαφορά (εγώ πχ ξεκινάω με όλα τα βάρη 0). Ίσως καταλήξεις με λίγο διαφορετικά βάρη που όμως μετά το τέλος κάποιου αριθμού εποχών θα έχουν διαμορφωθεί έτσι ώστε να είναι ικανά να σου δίνουν καλή κατάταξη όταν εφαρμοστούν σε κάποια είσοδο.

Πάντως εγώ μέχρι στιγμής έχω ασχοληθεί μόνο με το πρώτο ερώτημα(δε με βλέπω να την προλαβαίνω ολόκληρη ). Όταν κάνω εκπαίδευση με όλες τις γυναίκες (150 δείγματα) καταλήγω να έχω τέλεια κατάταξη (0% σφάλμα). Κάτι που με ψιλοπροβληματίζει γιατί ο διδακτορικός που έκανε ασκήσεις την προηγούμενη Τρίτη, νομίζω ότι είπε πως τα δείγματα δε θα είναι γραμμικά διαχωρίσιμα (θα πρέπει δηλ να βγάζουμε ποσοστό σφάλματος). Είναι κανείς που επίσης να κατάλαβε κάτι τέτοιο; Μήπως το εννοούσε κάτι για κάποιο άλλο ερώτημα;

Και κάτι ακόμη. Αφού κάνουμε την εκπαίδευση με όλα τα δείγματα, μετά θέλει λέει να κάνουμε εκπαίδευση στα 105 δείγματα (το 70%) και να εφαρμόσουμε τα βάρη που θα βρούμε στα υπόλοιπα 45 που θα απομείνουν και να σχολιάσουμε ποσοστά επιτυχίας κτλ. Αυτά τα 105 δείγματα τα διαλέγουμε τυχαία μέσα απο τα 150, έτσι δεν είναι; Δε παίρνουμε δηλ τα πρώτα 105. Αλλά και πάλι έτσι κάθε φορά που θα διαλέγουμε ένα καινούργιο 70%, θα έχουμε λογικά άλλα ποσοστά επιτυχίας κ σφάλματος...τι να πω.

Για αποτελέσματα απο τα παρακάτω ερωτήματα μάλλον θα επανέλθω. Είναι κάποιος άλλος που να συμφωνεί μέχρι αυτό το σημείο;

[igna]

Λέει ότι παίρνουμε το 70% από κάθε κατηγορία. Το εκπαίδευσα δλδ για 75 υγιή και 30 άρρωστα δείγματα και στο τέλος βρήκα το σφάλμα για τα υπόλοιπα δείγματα.

[(Stalin)^2]

Πάντως εγώ μέχρι στιγμής έχω ασχοληθεί μόνο με το πρώτο ερώτημα(δε με βλέπω να την προλαβαίνω ολόκληρη ). Όταν κάνω εκπαίδευση με όλες τις γυναίκες (150 δείγματα) καταλήγω να έχω τέλεια κατάταξη (0% σφάλμα). Κάτι που με ψιλοπροβληματίζει γιατί ο διδακτορικός που έκανε ασκήσεις την προηγούμενη Τρίτη, νομίζω ότι είπε πως τα δείγματα δε θα είναι γραμμικά διαχωρίσιμα (θα πρέπει δηλ να βγάζουμε ποσοστό σφάλματος). Είναι κανείς που επίσης να κατάλαβε κάτι τέτοιο; Μήπως το εννοούσε κάτι για κάποιο άλλο ερώτημα;

Νομίζω πως ακόμη κι αν κάνεις εκπαίδευση με όλα τα δείγματα δεν πρόκειται να βγάλεις μηδενικό σφάλμα, γιατί ακριβώς τα δείγματα δεν είναι γραμμικά διαχωρίσιμα.
Μηδενικό σφάλμα βγάζεις μόνο σε διαχωρίσιμο πρόβλημα. Αν θες στήσε ένα δικό σου παράδειγμα με γραμ. διαχωρίσιμα δείγματα και δες αν δουλεύει ο αλγόριθμος (πρέπει να βγάλει σφάλμα μηδεν).
Γενικά σε πραγματικά προβλήματα πολύ δύσκολα βγάζεις μηδενικό σφάλμα. Κι αυτό είναι ένα πραγματικό πρόβλημα..

[[x:y:z]]

Στο ίδιο μηδενικό σφάλμα καταλήγω κι εγώ για το πρώτο ερώτημα , εξετάζοντας όλα τα δεδομένα. 88.89% εκπαιδεύοντας το 70% των δεδομένων και εξετάζοντας το 30% Και πολύ μικρό ποσοστό για το 2ο ερώτημα (28.6667% , συγκεκριμένα βγαίνουν όλες με καρκίνο ) , και 47.333% για το 3ο ερώτημα.
Μελισσοκόμε με λίγα λόγια , τί σφάλμα έβγαλες στο πρώτο ερώτημα ?

[[x:y:z]]

Τον K-means θα τον εφαρμόσουμε μόνο για τα δεδομένα του πρώτου ερωτήματος (κι αυτό για όλα τα δεδομένα μιας και η εκπαίδευση 70% και η εξέταση 30% δεν έχει πλέον νόημα ) . Η θέλει και εξέταση για 2 και 3 συνιστώσες ?
Εντάξει δε θέλει και πολύ κόπο οπότε μην κάνω τζάμπα ερωτήσεις :Ρ

Επίσης έχω να παρατηρήσω ότι δε συγκλίνει όταν τα δεδομένα δεν είναι κανονικοποιημένα (όπως και στα ερωτήματα 2 κ 3). Αυτό ίσως είναι χαρακτηριστικό του πραγματικού προβλήματος της μη γραμμικής διαχωρισιμότητας (μελισοκόμος (c) ) μιας και η απόκλιση ανάμεσα στις συνιστώσες είναι πολύ μεγάλη. Ή ίσως εδώ να παίζει και σημαντικότερο ρόλο η αρχικοποίηση του c ? Δεν ξέρω δεν ξέρω ...

[akenatwn]

Και εγώ μηδενικό σφάλμα βγάζω στο 1ο ερώτημα για όλα τα δεδομένα,4.44% στο 70% και 26% στο 2ο ερώτημα.
Πόσο παίρνετε το c;Γιατί λογικά αυτό αλλάζει τα αποτελέσματα.
Επίσης σας συγκλίνει για το 70%;Γιατι εμένα συγκλίνει.

Επισης μια απορία: πως βρισκουμε την ευθεία διαχωρισμού;

[(Stalin)^2]

Στο ίδιο μηδενικό σφάλμα καταλήγω κι εγώ για το πρώτο ερώτημα , εξετάζοντας όλα τα δεδομένα. 88.89% εκπαιδεύοντας το 70% των δεδομένων και εξετάζοντας το 30% Και πολύ μικρό ποσοστό για το 2ο ερώτημα (28.6667% , συγκεκριμένα βγαίνουν όλες με καρκίνο ) , και 47.333% για το 3ο ερώτημα.
Μελισσοκόμε με λίγα λόγια , τί σφάλμα έβγαλες στο πρώτο ερώτημα ?

Η ευθεία στην οποία θα καταλήξεις, άρα και το αφάλμα, εξαρτόνται από την αρχικοποίηση του w (το σετάρισμα του αλγορίθμου δηλαδή). Άλλο σφάλμα βγάζεις αν σετάρεις σε άσσους, άλλο αν σετάρεις σε 100 κλπ.. Εγώ έβγαλα σφάλμα 2% για w(1)=[100;100;...;100]...
Στο έδωσα μια τυπική τιμή c=0.7 (την έχω δει και αλλού, επίσης το είχε αναφέρει και ο Στρίντζης).
Παιδιά δεν παίζει να είναι μηδενικό το σφάλμα... Δηλαδή μου φαίνεται πολύ δύσκολο...
Στις 2D, 3D περιπτώσεις σίγουρα δεν είναι μηδέν. Μπορείς να το δεις και από τα γραφήματα, αλλά και στην περίπτωση 30D(!), δηλαδή στο 1ο ερώτημα, δεν νομίζω να βγαίνει σφάλμα μηδέν..

[(Stalin)^2]

Λοιπόν, τώρα που το ξαναβλέπω, ίσως να έχετε κάνει λάθος σε ένα συγκεκριμένο σημείο και γι' αυτό να βγάζετε σφάλμα μηδέν.
Λοιπόν, εγώ στο m-file που έγραψα για να υπολογίζει το σφάλμα, υπολογίζω τρία σφάλματα:

α. Σφάλμα δειγμάτων του Τ1 που κατατάχθηκαν στο Ω0
β. Σφάλμα δειγμάτων του Τ0 που κατατάχθηκαν στο Ω1
γ. Συνολικό Σφάλμα=συνολικός αριθμός δειγμάτων που κατατάχθηκαν λανθασμένα προς τον συνολικό αριθμό των δειγμάτων

Αυτό που ζητείται είναι το γ.

Στο 1ο ερώτημα, έχοντας αρχικοποιήσει το w σε 100άρια μου βγαίνουν:

α=0%
β=2.8%
γ=2%

Μήπως υπολογίζετε μόνο το σφάλμα δειγμάτων του Τ1 που κατατάχθηκαν στο Ω0??
Τσεκάρετε τον αντίστοιχο έλεγχο στο σημείο που βρίσκετε το σφάλμα, μήπως και δεν περιλαμβάνετε όλα τα λανθασμάνα δείγματα...
Δεν ξέρω αν ισχύουν αυτά που γράφω, αλλά μου φαίνονται λογικά...

[[x:y:z]]

Η ευθεία στην οποία θα καταλήξεις, άρα και το αφάλμα, εξαρτόνται από την αρχικοποίηση του w (το σετάρισμα του αλγορίθμου δηλαδή). Άλλο σφάλμα βγάζεις αν σετάρεις σε άσσους, άλλο αν σετάρεις σε 100 κλπ.. Εγώ έβγαλα σφάλμα 2% για w(1)=[100;100;...;100]...
Στο έδωσα μια τυπική τιμή c=0.7 (την έχω δει και αλλού, επίσης το είχε αναφέρει και ο Στρίντζης).
Παιδιά δεν παίζει να είναι μηδενικό το σφάλμα... Δηλαδή μου φαίνεται πολύ δύσκολο...
Στις 2D, 3D περιπτώσεις σίγουρα δεν είναι μηδέν. Μπορείς να το δεις και από τα γραφήματα, αλλά και στην περίπτωση 30D(!), δηλαδή στο 1ο ερώτημα, δεν νομίζω να βγαίνει σφάλμα μηδέν..

Δε νομίζω ότι η αρχικοποίηση του w επηρεάζει το σφάλμα . Απλά με τη μεταβολή του αρχικού w θα μεταβληθούν με ανάλογο τρόπο και οι συνιστώσες του τελικού w, ώστε τελικά το γινόμενο wT*x να δίνει σωστά αποτελέσματα. Διαφορετικά νούμερα μεν αλλά το αν θα είναι θετικά ή αρνητικά δε θα αλλάξει οπότε δε θα αλλάξει και η κατάταξη στα αντίστοιχα πρότυπα (είτε το γινόμενο βγάλει 500 είτε βγάλει 0.0005 είναι το ίδιο για μας).
Όντως εφαρμόζοντας τα νούμερα σου , (100άρια στο w(1) και c=0.7) δεν άλλαξε ούτε το 100% για την εξέταση όλων των δεδομένων ούτε το 86.6667% για την εξέταση του 30% των δεδομένων εκπαιδεύοντας το για το 70%, που είχα βρει για πολλές άλλες διαφορετικές τιμές του w(1) και c. Κι εγώ θα περίμενα να μη βγαίνει 100% για όλα τα δεδομένα αλλά μάλλον βγαίνει.
Στο μεταξύ ο k-means για την εξέταση όλων των δεδομένων ομαδοποιεί με ποσοστό επιτυχίας 92%, που φαίνεται πιο φυσιολογικό.

[(Stalin)^2]

Η ευθεία στην οποία θα καταλήξεις, άρα και το αφάλμα, εξαρτόνται από την αρχικοποίηση του w (το σετάρισμα του αλγορίθμου δηλαδή). Άλλο σφάλμα βγάζεις αν σετάρεις σε άσσους, άλλο αν σετάρεις σε 100 κλπ.. Εγώ έβγαλα σφάλμα 2% για w(1)=[100;100;...;100]...
Στο έδωσα μια τυπική τιμή c=0.7 (την έχω δει και αλλού, επίσης το είχε αναφέρει και ο Στρίντζης).
Παιδιά δεν παίζει να είναι μηδενικό το σφάλμα... Δηλαδή μου φαίνεται πολύ δύσκολο...
Στις 2D, 3D περιπτώσεις σίγουρα δεν είναι μηδέν. Μπορείς να το δεις και από τα γραφήματα, αλλά και στην περίπτωση 30D(!), δηλαδή στο 1ο ερώτημα, δεν νομίζω να βγαίνει σφάλμα μηδέν..

Δε νομίζω ότι η αρχικοποίηση του w επηρεάζει το σφάλμα . Απλά με τη μεταβολή του αρχικού w θα μεταβληθούν με ανάλογο τρόπο και οι συνιστώσες του τελικού w, ώστε τελικά το γινόμενο wT*x να δίνει σωστά αποτελέσματα. Διαφορετικά νούμερα μεν αλλά το αν θα είναι θετικά ή αρνητικά δε θα αλλάξει οπότε δε θα αλλάξει και η κατάταξη στα αντίστοιχα πρότυπα (είτε το γινόμενο βγάλει 500 είτε βγάλει 0.0005 είναι το ίδιο για μας).
Όντως εφαρμόζοντας τα νούμερα σου , (100άρια στο w(1) και c=0.7) δεν άλλαξε ούτε το 100% για την εξέταση όλων των δεδομένων ούτε το 86.6667% για την εξέταση του 30% των δεδομένων εκπαιδεύοντας το για το 70%, που είχα βρει για πολλές άλλες διαφορετικές τιμές του w(1) και c. Κι εγώ θα περίμενα να μη βγαίνει 100% για όλα τα δεδομένα αλλά μάλλον βγαίνει.
Στο μεταξύ ο k-means για την εξέταση όλων των δεδομένων ομαδοποιεί με ποσοστό επιτυχίας 92%, που φαίνεται πιο φυσιολογικό.

Νομίζω πως το σετάρισμα επηρεάζει το τελικό w, λόγω μη γραμμικής διαχωρισιμότητας. Αν ήταν διαχωρίσιμα τα δεδομένα ό,τι σετάρισμα κι αν έκανες θα έπρεπε να σου βγάλει το ίδιο τελικό w. Αλλά εδώ δεν είναι...
Αυτό φαίνεται πολύ έντονα στην 2D περίπτωση... Διαφοερτικά σεταρίσματα δίνουν, εν γένει, διαφορετικές ευθείες...
Επίσης για το σφάλμα δες λίγο το παραπάνω μου ποστ μήπως συμβαίνει αυτό...

Έδιτ: Ο Κmeans μου δίνει σφάλμα 8.66% (Εδώ μάλλον συμφωνούμε!)

[[x:y:z]]

Αυτό που ζητείται είναι το γ.

Ναι αυτό υπολογίζω. o έλεγχος που γίνεται για το i δείγμα είναι κάπως έτσι

if (data(i,31)==0 & result(1,i)>0) | (data(i,31)==1 & result(1,i)<0)
correct=correct+1

 φφφφφ δεν ξέρω , δεν απαντάει και ο διδακτορικός στο mail