[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...

[mermaid]

Για την άσκηση με τα alldata από το εργαστήριο:

alldata=read.csv("alldata.txt", stringsAsFactors = TRUE)
trainingdata = alldata[1:600, ]
testdata = alldata[601:800, ]

model<-neuralnet(y~., data=trainingdata, hidden=c(2,2), threshold=0.01)

#training
pred_training=compute(model, trainingdata[,c(1:2)])$net.result
MAE_training_error=mean(abs(pred_training-trainingdata$y)) #0.1104697
accuracy_training=Accuracy(pred_training, trainingdata$y)

#testing
pred_testing=compute(model, testdata[,c(1:2)])$net.result
MAE_testing_error=mean(abs(pred_testing-testdata$y)) #0.113878
accuracy_testing=Accuracy(pred_testing, testdata$y)

αρχικά όπως το βλέπω άλλαξε το ~., τα ANN δεν υποστηρίζουν αυτόν τον συμβολισμό πρέπει να γράψεις όλα τα features κανονικά δηλαδή:

model<-neuralnet(y~Χ1+Χ2, data=trainingdata, hidden=c(2,2), threshold=0.01)

δες αν σου δουλέψει μετα από αυτό γιατί δεν παρατηρώ κάτι άλλο τώρα θα το τρέξω και εγώ

[PNyktwr]

αρχικά όπως το βλέπω άλλαξε το ~., τα ANN δεν υποστηρίζουν αυτόν τον συμβολισμό πρέπει να γράψεις όλα τα features κανονικά δηλαδή:

model<-neuralnet(y~Χ1+Χ2, data=trainingdata, hidden=c(2,2), threshold=0.01)

δες αν σου δουλέψει μετα από αυτό γιατί δεν παρατηρώ κάτι άλλο τώρα θα το τρέξω και εγώ

Ευχαριστώ για τη διόρθωση, το άλλαξα! Πάλι μηδέν μου βγάζει το accuracy 

[HarryDresden]

Ευχαριστώ για τη διόρθωση, το άλλαξα! Πάλι μηδέν μου βγάζει το accuracy 

Δεν το εχω τρεξει, αλλα μηπως δε χρειαζεται να βαλεις stringsAsFactors = TRUE;;

[mermaid]

Ευχαριστώ για τη διόρθωση, το άλλαξα! Πάλι μηδέν μου βγάζει το accuracy  

Γενικά έχω την εντύπωση ότι το prediction για να μπει στο accuracy πρέπει να έχει τιμές των κλάσεων (δλδ πού θα ταξινομούσες την εκάστοτε εγγραφή) όπως είναι και το real y για να γίνει σύγκριση. Το σκριπτ σου μου βγάζει pred_testing κάτι τέτοιο:

         [,1]
601 0.9972687
602 0.9972691
603 1.6549684
604 1.0049381
605 1.0073925
606 0.9972687

Επομένως, πριν βάλεις τις τιμές για να υπολογισεις το accuracy μήπως θα έπρεπε με μια ifelse (οπως στο εργαστηριο ifelse(compute(model, test)$net.result > 0, 1, -1) σελ2) να δώσεις τιμές 1 ή 2; Δεν ξέρω αν λέω βλακείες αλλά δε μου έρχεται κάτι άλλο.  

Επίσης και στην πρόοδο για ΑΝΝ είχαν ζητήσει μόνο σφάλμα όχι accuracy, εσυ το υπολόγισες για πληρότητα ή το είδες κάπου να το ζητάει;;

[PNyktwr]

Επομένως, πριν βάλεις τις τιμές για να υπολογισεις το accuracy μήπως θα έπρεπε με μια ifelse (οπως στο εργαστηριο ifelse(compute(model, test)$net.result > 0, 1, -1) σελ2) να δώσεις τιμές 1 ή 2; Δεν ξέρω αν λέω βλακείες αλλά δε μου έρχεται κάτι άλλο.  

Ναι, έχει νόημα αυτό που λες αφού τις ακέραιες τιμές θέλω τελικά.
(Πάλι μηδέν βγαίνει το accuracy, αλλά τέλος πάντων )

Επίσης και στην πρόοδο για ΑΝΝ είχαν ζητήσει μόνο σφάλμα όχι accuracy, εσυ το υπολόγισες για πληρότητα ή το είδες κάπου να το ζητάει;;

Θυμόμουν ότι είχαν ζητήσει accuracy στην πρόοδο για έναν συγκεκριμένο αριθμό επαναλήψεων, για αυτό προσπαθώ να βρω πώς υπολογίζεται. Αλλά πιθανόν να θυμάμαι λάθος μετά από 2 μήνες.

[mermaid]

Ναι, έχει νόημα αυτό που λες αφού τις ακέραιες τιμές θέλω τελικά.
(Πάλι μηδέν βγαίνει το accuracy, αλλά τέλος πάντων )
Θυμόμουν ότι είχαν ζητήσει accuracy στην πρόοδο για έναν συγκεκριμένο αριθμό επαναλήψεων, για αυτό προσπαθώ να βρω πώς υπολογίζεται. Αλλά πιθανόν να θυμάμαι λάθος μετά από 2 μήνες.

χμμ τότε δεν μου είχε τύχει, σε εμένα ζητούσε μέσο σφάλμα με ΑΝΝ για κάποιες επαναλήψεις. Αν κάποιος άλλος θυμάται σίγουρα ας πει 

[HarryDresden]

Για την άσκηση με τα alldata από το εργαστήριο:

alldata=read.csv("alldata.txt", stringsAsFactors = TRUE)
trainingdata = alldata[1:600, ]
testdata = alldata[601:800, ]

model<-neuralnet(y~., data=trainingdata, hidden=c(2,2), threshold=0.01)

#training
pred_training=compute(model, trainingdata[,c(1:2)])$net.result
MAE_training_error=mean(abs(pred_training-trainingdata$y)) #0.1104697
accuracy_training=Accuracy(pred_training, trainingdata$y)

#testing
pred_testing=compute(model, testdata[,c(1:2)])$net.result
MAE_testing_error=mean(abs(pred_testing-testdata$y)) #0.113878
accuracy_testing=Accuracy(pred_testing, testdata$y)

Στη προοδο δε ζητουσαν Accuracy και ετσι οπως το εχεις ειναι λαθος για το λογο που αναφερει και η mermaid
Αυτο που ζητουσαν στη προοδο ειναι να βρεις το μεσο σφάλμα για 10 επαναληψεις. Δηλαδή συμφωνα με αυτο που γράφεις έπρεπε για κάθε επανάληψη να πάρεις το MAE_testing_error και στο τελος να κανεις, αφου βγεις απο τη λουπα, το mean ολων των MAE_testing_error

[PNyktwr]

Στη προοδο δε ζητουσαν Accuracy και ετσι οπως το εχεις ειναι λαθος για το λογο που αναφερει και η mermaid
Αυτο που ζητουσαν στη προοδο ειναι να βρεις το μεσο σφάλμα για 10 επαναληψεις. Δηλαδή συμφωνα με αυτο που γράφεις έπρεπε για κάθε επανάληψη να πάρεις το MAE_testing_error και στο τελος να κανεις, αφου βγεις απο τη λουπα, το mean ολων των MAE_testing_error

Ωραία, σε ευχαριστώ!

[xristosioan]

Το έτρεξα και εγώ από περιέργεια και όντως βγάζει μηδέν, το οποίο είναι λογικό για την μετρική Accuracy, καθώς χρησιμοποιείται για κατηγορικά δεδομένα. Το ANN σου βγάζει συνεχείς τιμές, επομένως είναι εξαιρετικά σπάνιο να βγάλει ακριβώς 1 ή 2 έτσι ώστε το Accuracy να είναι κάτι άλλο πέρα του μηδενός.

Πέραν τούτου, τα predictions σου θα είναι τιμές που θα παίζουν γύρω από τις τιμές των κλάσεων σου (π.χ 1, 2), οπότε μετά πρέπει να εφαρμόσεις μια συνάρτηση για να καταλήξεις σε μια κατηγοριοποίηση. Αν χρησιμοποιήσεις την round(), που κάνει στρογγυλοποίηση στο πιο κοντινό φυσικό αριθμό, τότε θα πάρεις μια λίστα από 1 και 2. Με αυτά μπορείς να πάρεις το Accuracy metric. Άλλες συναρτήσεις είναι η sigmoid ή οποιαδήποτε άλλη μπορείς να φανταστείς, με ένα κατώφλι την επιλογής σου. Η round() είναι η πιο απλή.

Αν τα δεδομένα έδιναν τιμές πιο κοντά στο 3 ή στο 0, προφανώς η round δεν θα δούλευε από μόνη της, και θα έπρεπε να κάνεις εξτρά έλεγχο και να κατηγοριοποιήσεις τις προβλέψεις σου με άλλο τρόπο.

Η υλοποίηση που περιγράφω παραπάνω είναι αυτή :

train = data[1:600,]
test = data[601:800,]
annmodel = neuralnet(y ~ ., data = train, hidden = c(2,2), threshold = 0.01)
trainpred = compute(annmodel, train[,1:2])$net.result
trainpred = round(trainpred)
acc = Accuracy(trainpred, train[,3])

Προφανώς αν έχεις multi-class classification τότε πρέπει να πάρεις κάθε περίπτωση ξεχωριστά, δηλαδή την μια κλάση μόνη της απέναντι σε όλες τις άλλες, στην συνέχεια την επόμενη κλπ.

[PNyktwr]

Το έτρεξα και εγώ από περιέργεια και όντως βγάζει μηδέν, το οποίο είναι λογικό για την μετρική Accuracy, καθώς χρησιμοποιείται για κατηγορικά δεδομένα. Το ANN σου βγάζει συνεχείς τιμές, επομένως είναι εξαιρετικά σπάνιο να βγάλει ακριβώς 1 ή 2 έτσι ώστε το Accuracy να είναι κάτι άλλο πέρα του μηδενός.

Πέραν τούτου, τα predictions σου θα είναι τιμές που θα παίζουν γύρω από τις τιμές των κλάσεων σου (π.χ 1, 2), οπότε μετά πρέπει να εφαρμόσεις μια συνάρτηση για να καταλήξεις σε μια κατηγοριοποίηση. Αν χρησιμοποιήσεις την round(), που κάνει στρογγυλοποίηση στο πιο κοντινό φυσικό αριθμό, τότε θα πάρεις μια λίστα από 1 και 2. Με αυτά μπορείς να πάρεις το Accuracy metric. Άλλες συναρτήσεις είναι η sigmoid ή οποιαδήποτε άλλη μπορείς να φανταστείς, με ένα κατώφλι την επιλογής σου. Η round() είναι η πιο απλή.

Αν τα δεδομένα έδιναν τιμές πιο κοντά στο 3 ή στο 0, προφανώς η round δεν θα δούλευε από μόνη της, και θα έπρεπε να κάνεις εξτρά έλεγχο και να κατηγοριοποιήσεις τις προβλέψεις σου με άλλο τρόπο.

Η υλοποίηση που περιγράφω παραπάνω είναι αυτή :

train = data[1:600,]
test = data[601:800,]
annmodel = neuralnet(y ~ ., data = train, hidden = c(2,2), threshold = 0.01)
trainpred = compute(annmodel, train[,1:2])$net.result
trainpred = round(trainpred)
acc = Accuracy(trainpred, train[,3])

Προφανώς αν έχεις multi-class classification τότε πρέπει να πάρεις κάθε περίπτωση ξεχωριστά, δηλαδή την μια κλάση μόνη της απέναντι σε όλες τις άλλες, στην συνέχεια την επόμενη κλπ.

Ευχαριστώ πολύ για την αναλυτική εξήγηση!!! 

[snek]

Στη προοδο δε ζητουσαν Accuracy και ετσι οπως το εχεις ειναι λαθος για το λογο που αναφερει και η mermaid
Αυτο που ζητουσαν στη προοδο ειναι να βρεις το μεσο σφάλμα για 10 επαναληψεις. Δηλαδή συμφωνα με αυτο που γράφεις έπρεπε για κάθε επανάληψη να πάρεις το MAE_testing_error και στο τελος να κανεις, αφου βγεις απο τη λουπα, το mean ολων των MAE_testing_error

Δηλάδη ήθελε να κανω 10 μοντελα neuralnet ? Περιεργο μου φαίνεται , αυτό που θα βγάζε νόημα θα ήταν να λέγαμε 10 εποχές (epochs) εκπαίδευσης , το οποίο βέβαια φαίνεται δεν έχει επιλογή το neuralnet να το βάλεις σαν παραμέτρο.

[PNyktwr]

Μπορεί κάποιος να μου πει τι ζητούσε η τελευταία άσκηση με dbscan σήμερα, γιατί δεν πρόλαβα καν  να την διαβάσω; 

[Judas Priest saved me]

Μπορεί κάποιος να μου πει τι ζητούσε η τελευταία άσκηση με dbscan σήμερα, γιατί δεν πρόλαβα καν  να την διαβάσω;  

Σε μένα έλεγα με ποια τιμή minpoints , ο dbscan βγάζει 3 κλάσεις

Και είχε επιλογές αν θυμάμαι καλά 20,40,60,70,80,100

[PNyktwr]

Σε μένα έλεγα με ποια τιμή minpoints , ο dbscan βγάζει 3 κλάσεις

Και είχε επιλογές αν θυμάμαι καλά 20,40,60,70,80,100

Ευχαριστώ!

[noescape]

Καλά πήγε η εξέταση