[Αναγνώριση Προτύπων] Παλιά Θέματα/Ασκήσεις - Σχολιασμός και Απορίες

[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...

[Ksifis]

Μπορεί κάποιος να μου πει για ποιον λόγο στο κουίζ για PCA στο πρώτο ερώτημα ενώ κάνω αυτές τις εντολές:

Code:

pca_model <- prcomp(training, center = TRUE, scale = TRUE)
eigenvalues = pca_model$sdev^2

μου βγάζει τιμή eigenvalues[1] = 3.65724361 αντί για 0,406 ; Εντωμεταξύ την πρώτη φορά που το είχα κάνει το υπολόγιζε σωστά και δεν μπορώ να καταλάβω τι άλλαξε. Επίσης, στο τελευταίο ερώτημα τι πρέπει να παρατηρήσουμε για να το βρούμε ;

pca1 = eigenvalues[1] / sum(eigenvalues)
> pca1
[1] 0.4063604

[TheoProt]

pca1 = eigenvalues[1] / sum(eigenvalues)
> pca1
[1] 0.4063604

Ωραίος, ευχαριστώ!

[Ksifis]

Ωραίος, ευχαριστώ!

Για το άλλο ερωτημα που έθεσες σχετικά με την ερωτηση 5 του quiz, και γω δεν ξερω πως να επιλεξεις ποια pca να κρατησεις βασει του accuracy.

Ωστόσο έκανα τους παρακατω υπολογισμούς και είδα οτι κρατώντας τα 6 πρωτα pca , εχω πολυ μικρο χασιμο πληροφοριας με μικρη απόκλιση σε σχεση αν κρατουσα μεγαλυτερο αριθμο pca. Βάζωντας για πχ ενα κατωφλι 95% για την πληροφορια που κραταω , βλεπω να το ξεπερναω απο 6 pca και πανω . Ο τροπος μου ειναι πολυ μπακαλιστικος δεν ξερω αν στέκει. Διαφωτήστε μας και οι υπολοιποι. 

[Μπιγκόνια]

Για το άλλο ερωτημα που έθεσες σχετικά με την ερωτηση 5 του quiz, και γω δεν ξερω πως να επιλεξεις ποια pca να κρατησεις βασει του accuracy.

Ωστόσο έκανα τους παρακατω υπολογισμούς και είδα οτι κρατώντας τα 6 πρωτα pca , εχω πολυ μικρο χασιμο πληροφοριας με μικρη απόκλιση σε σχεση αν κρατουσα μεγαλυτερο αριθμο pca. Βάζωντας για πχ ενα κατωφλι 95% για την πληροφορια που κραταω , βλεπω να το ξεπερναω απο 6 pca και πανω . Ο τροπος μου ειναι πολυ μπακαλιστικος δεν ξερω αν στέκει. Διαφωτήστε μας και οι υπολοιποι. 

Code:

accuracies <- c()
pvalues = c(1:9)
 for ( p in pvalues){
	training_pc <- as.data.frame(predict(pca_model, training)[, 1:p])
	testing_pc <- as.data.frame(predict(pca_model, testing)[, 1:p]) 
	abla = knn(training_pc, testing_pc, trainingType, k = 3, prob = TRUE)
	accuracies = c(accuracies, Accuracy(abla,testingType))
}
bestp = pvalues[which.max(accuracies)] 

[Argirios]

Στο clustering, αμα έστω και ένα σημείο δεν μπεί σε ομάδα και θεωρηθεί ως θόρυβος, θεωρούμε ότι απέτυχε η ομαδοποίηση?
Πχ. στο Hierarchical clustering όταν κάνουμε dbscan που έχει πολλά μηδενικά

[Ap.Mor.]

Στο clustering, αμα έστω και ένα σημείο δεν μπεί σε ομάδα και θεωρηθεί ως θόρυβος, θεωρούμε ότι απέτυχε η ομαδοποίηση?
Πχ. στο Hierarchical clustering όταν κάνουμε dbscan που έχει πολλά μηδενικά

Γενικά, δεν ξέρω αλλά στο dbscan θέλεις κάποια σαν σημεία θορύβου. Αυτό είναι και ένα από τα πλεονεκτήματά του, ότι δεν επηρεάζεται τόσο από εξωκείμενες τιμές (θόρυβος) δηλαδή.
Για να κρίνεις το πόσο καλή είναι η ομαδοποίηση σου νομίζω μπορείς να το κάνεις μόνο διαισθητικά. Αν δηλαδή στο dbscan σου αναγνωρίζει το κύρια συγκέντρωση σημείων σαν θόρυβο ίσως έχεις πρόβλημα.

[allstarabey]

Code:

accuracies <- c()
pvalues = c(1:9)
 for ( p in pvalues){
	training_pc <- as.data.frame(predict(pca_model, training)[, 1:p])
	testing_pc <- as.data.frame(predict(pca_model, testing)[, 1:p]) 
	abla = knn(training_pc, testing_pc, trainingType, k = 3, prob = TRUE)
	accuracies = c(accuracies, Accuracy(abla,testingType))
}
bestp = pvalues[which.max(accuracies)] 

οταν πάω να χρησιμοποιήσω αυτόν τον κώδικα μου εμφανίζει
could not find function "Accuracy"

καποαι ιδεά αν χρειάζεται να φορτώσω καποι πακετο

[georgopk]

οταν πάω να χρησιμοποιήσω αυτόν τον κώδικα μου εμφανίζει
could not find function "Accuracy"

καποαι ιδεά αν χρειάζεται να φορτώσω καποι πακετο

Νομίζω
>library(MLmetrics)

[christina_]

Ξερει κανεις τι παιζει με το τελευταιο κουιζ;

[parathrhths]

Στο τελευταιο quiz πως δειχνουμε οτι ειναι καλυτερο το gmm απο τον kmeans; Το accuracy και το silhouette βγαινουν καλυτερα για τον kmeans.

[Haarp]

Στο τελευταιο quiz πως δειχνουμε οτι ειναι καλυτερο το gmm απο τον kmeans; Το accuracy βγαινει καλυτερο για τον kmeans.

Αυτό με το accuracy με προβλημάτισε κι εμένα ωστόσο αν δείς τα χρώματα στο clustering που γίνεται φαίνεται πως το GMM απλά δεν έτυχε να ομαδοποιήσει με τα ίδια χρώματα του Ground Truth και δίνει Accuracy 33% επειδή πέτυχε μόνο το κόκκινο και τα υπόλοιπα είναι ακριβώς ανάποδα ενώ το Kmeans έχει 66%. Αν αλλάξεις τα αποτελέσματα του Clustering GMM ώστε τα χρώματα των Clusters να συμφωνουν με αυτά που δίνονται το Accuracy είναι 99,3% με κάνα 2 λάθος σημεία. Bασικά κάποιες φορές τα βγάζει "σωστά"  επειδή ο αλγόριθμος mvnormalmixEM τρέχει στην τύχη και δε χρειάζεται αυτό το swap.

Code:

clusters = max.col(GMMmodel$posterior)
clusters[which(clusters==2)]=4
clusters[which(clusters==3)]=2
clusters[which(clusters==4)]=3
par(mfrow = c(2, 2)) 
plot(knndata[,1:2],col = knndata[,3]+1)
plot(GMMmodel, which = 2)
plot(knndata[,1:2],col = kmeans_model$cluster+1)
plot(knndata[,1:2],col = clusters+1)
acc_kmeans = Accuracy(y_pred = kmeans_model$cluster, y_true = knndata[,3])
acc_gmm = Accuracy(y_pred = clusters, y_true = knndata[,3])

[parathrhths]

Ναι αυτο ειναι το θεμα. Ευχαριστω.

[Ksifis]

Πολύ σωστά , εγω προσπαθούσα μόνο με το accuracy και δεν εβγαινε ακρη, σχηματικά και με την επιλογη χρωματων κατεληξα ακριβως στα ίδια αποτελεσματα με την φωτο!

[christina_]

Ξέρει κανείς πως βρίσκουμε το cross correlation ανάμεσα σε 2 διανύσματα στην R?

[Μπιγκόνια]

Ξέρει κανείς πως βρίσκουμε το cross correlation ανάμεσα σε 2 διανύσματα στην R?

έχεις δοκιμάσει αυτό? και αν θες μπορείς να συγκρίνεις τα αποτελέσματα με τα αποτελέσματα από το matlab όπου έχει έτοιμη συνάρτηση.