[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!

[ονόματα των αρχείων]

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads

με προσοχή στα ονόματα των αρχείων!

[Maylo]

Όχι δεν χρειάζεται , το κάνεις όταν βλέπεις πως πρέπει να διαχειριστείς χαρακτηριστικά που διαφέρουν κατά κάποιες τάξεις μεγέθους όπως στο παράδειγμα με το europe.txt. Στο quiz ας πούμε του 7ου pdf δεν χρειάζεται (αργά το κατάλαβα)...

[antoniat]

Όχι δεν χρειάζεται , το κάνεις όταν βλέπεις πως πρέπει να διαχειριστείς χαρακτηριστικά που διαφέρουν κατά κάποιες τάξεις μεγέθους όπως στο παράδειγμα με το europe.txt. Στο quiz ας πούμε του 7ου pdf δεν χρειάζεται (αργά το κατάλαβα)...

Α,οκ.. Σε ευχαριστώ!

[BIC]

Για το πρώτο ερώτημα στο 3ο κουιζ τι πρέπει να κάνουμε? Έχω φάει πόση ώρα και έχω μπερδευτεί...

[Μπιγκόνια]

Για το πρώτο ερώτημα στο 3ο κουιζ τι πρέπει να κάνουμε? Έχω φάει πόση ώρα και έχω μπερδευτεί...

Τι λέει το ερώτημα? Υπολογίστε τα TPR και FPR για τα 2 μοντέλα?

[BIC]

Για το μοντέλο Μ1 υπολογίστε το TPR. Η τιμή του threshold είναι t=0.5.
Με το ROCcurve βρήκα τα διάφορα thresholds και στην αντίστοιχη τιμή με το 0,5 του cutoff πήρα το TPR...αλλά μου το βγάζει λάθος

Edit: Το βρήκα το λάθος, έπαιρνα το threshold από το αντίστοιχο αμέσως προηγούμενο από το 0,5 νούμερο στο TPR, ενώ πρέπει από το αμέσως μεγαλύτερο.

[Μπιγκόνια]

Για το μοντέλο Μ1 υπολογίστε το TPR. Η τιμή του threshold είναι t=0.5.
Με το ROCcurve βρήκα τα διάφορα thresholds και στην αντίστοιχη τιμή με το 0,5 του cutoff πήρα το TPR...αλλά μου το βγάζει λάθος

Edit: Το βρήκα το λάθος, έπαιρνα το threshold από το αντίστοιχο αμέσως προηγούμενο από το 0,5 νούμερο στο TPR, ενώ πρέπει από το αμέσως μεγαλύτερο.

θα κάνεις την δουλειά και θα πάρεις την τιμή το confusion matrix από το pred_obj και θα δεις το 0,55 δηλαδή την πιο κοντινή μεγαλύτερη τιμή

Edit: Με πρόλαβες βλέπω

[BIC]

θα κάνεις την δουλειά και θα πάρεις την τιμή το confusion matrix από το pred_obj και θα δεις το 0,55 δηλαδή την πιο κοντινή μεγαλύτερη τιμή

Edit: Με πρόλαβες βλέπω

Ευχαριστώ πάντως 

[TheoProt]

Στο 3ο κουίζ για να βρω τις ROC καμπύλες κάνω τα παρακάτω για κάθε μοντέλο:

Code:

> m1 = data.frame(data[,c(1,2)])
> model_m1 <- naiveBayes(Class ~ . , data = m1)
> predprob = predict(model_m1, m1, type = "raw")
> pred_obj_m1 = prediction(predprob[,2], m1[,1], label.ordering = c("1","0"))
> roc_curve_m1 <- performance(pred_obj_m1, "tpr", "fpr")
> plot(roc_curve_m1, col = "green")
> abline(0,1, col = "blue")
> performance(pred_obj_m1, "auc")

Και τα αντίστοιχα για το μοντέλο Μ2. Βρίσκω σωστά την τιμή "auc" για το μοντέλο Μ2 αλλά προκύπτει ότι το μοντέλο Μ2 είναι καλύτερο από το μοντέλο Μ1 που είναι λάθος με βάση την απάντηση της τελευταίας ερώτησης. Τα κάνω σωστά ή τυχαία βρήκα ο,τι βρήκα ;

[Μπιγκόνια]

pred_obj_m1 = prediction(predprob[,2], m1[,1], label.ordering = c("1","0")) σε αυτό εδώ θα έπρεπε να είναι label.ordering = c("0","1") γιατί βάζεις δεύτερο αυτό για το οποίο υπολογίζεις τα ποσοστά.

Μετά εδώ roc_curve_m1 <- performance(pred_obj, "tpr", "fpr") θα πρέπει να βάζεις το pred_obj_m1 που έχεις φτιάξει και όχι το pred_obj για να δεις την ROC

[TheoProt]

Μετά εδώ roc_curve_m1 <- performance(pred_obj, "tpr", "fpr") θα πρέπει να βάζεις το pred_obj_m1 που έχεις φτιάξει και όχι το pred_obj για να δεις την ROC

Τυπογραφικό ήταν έτσι το έχω.

Για το μοντέλο M2 όμως γιατί το βρίσκω σωστά ενώ έχω το label.ordering = c("1","0") ;

[Μπιγκόνια]

Γιατί τυχαίνει στο παράδειγμα να ισχύει για [ TP FP ; FN TN] τα νούμερα να είναι [1 1; 4 4] Οπότε είναι συμετρικό. Δοκίμασε το και με ανάποδα νούμερα το 1 και 0 και δες αν βγάζει το ίδιο αποτέλεσμα.
     

[TheoProt]

Γιατί τυχαίνει στο παράδειγμα να ισχύει για [ TP FP ; FN TN] τα νούμερα να είναι [1 1; 4 4] Οπότε είναι συμετρικό. Δοκίμασε το και με ανάποδα νούμερα το 1 και 0 και δες αν βγάζει το ίδιο αποτέλεσμα.
    

Δεν βγαίνει το ίδιο αποτέλεσμα. Για c("1","0") βγαίνει 0.4 (που είναι το σωστό) και για c("0","1") βγαίνει 0.6 .Επειδή λέει ότι ενδιαφερόμαστε μόνο για την θετική κλάση γι αυτό πρέπει να πάρουμε c("0","1") ;

[Μπιγκόνια]

Δεν βγαίνει το ίδιο αποτέλεσμα. Για c("1","0") βγαίνει 0.4 (που είναι το σωστό) και για c("0","1") βγαίνει 0.6 .Επειδή λέει ότι ενδιαφερόμαστε μόνο για την θετική κλάση γι αυτό πρέπει να πάρουμε c("0","1") ;

Επειδή η θετική κλάση μπαίνει δεύτερη σε αυτήν την εντολή. Εδώ η θετική κλάση είναι το '1'. Δοκίμασε να το κάνεις με το ανάποδο label για το m1. Θα δεις ότι θα σου βγάλει performance 0.08 το οποίο είναι σίγουρα λάθος δεδομένου ότι βγάζει αρκετά καλά αποτελέσματα και το 0,92 είναι πιο λογικό. Τώρα γιατί στο m2 δεν βγαίνει σωστό δεν ξέρω τι να σου πω.

[TheoProt]

Επειδή η θετική κλάση μπαίνει δεύτερη σε αυτήν την εντολή. Εδώ η θετική κλάση είναι το '1'. Δοκίμασε να το κάνεις με το ανάποδο label για το m1. Θα δεις ότι θα σου βγάλει performance 0.08 το οποίο είναι σίγουρα λάθος δεδομένου ότι βγάζει αρκετά καλά αποτελέσματα και το 0,92 είναι πιο λογικό. Τώρα γιατί στο m2 δεν βγαίνει σωστό δεν ξέρω τι να σου πω.

Τα έχω δοκιμάσει όλα κι εγώ. Βγάζω τα αποτελέσματα που λες κι εσυ αλλά δεν καταλαβαίνω γιατί συμβαίνει αυτό με το m2. Αν μπορεί κάποιος ας βοηθήσει!

[TheoProt]

Επειδή η θετική κλάση μπαίνει δεύτερη σε αυτήν την εντολή. Εδώ η θετική κλάση είναι το '1'. Δοκίμασε να το κάνεις με το ανάποδο label για το m1. Θα δεις ότι θα σου βγάλει performance 0.08 το οποίο είναι σίγουρα λάθος δεδομένου ότι βγάζει αρκετά καλά αποτελέσματα και το 0,92 είναι πιο λογικό. Τώρα γιατί στο m2 δεν βγαίνει σωστό δεν ξέρω τι να σου πω.

Γράφω την τελική απάντηση που είναι η σωστή για όποιον ενδιαφέρεται. Όπως μου τα είπε ο Μιχάλης σε email.

Τα δεδομένα που δίνονται είναι το αποτέλεσμα της εκπαίδευσης και όχι τα ίδια τα δεδομένα εκπαίδευσης!! Άρα δεν μπορείς να τα χρησιμοποιήσεις για να κάνεις train έναν classifier όπως βλέπω από τον κώδικά σου.

Ουσιαστικά τα δεδομένου που σας δίνω είναι οι εκ των υστέρων πιθανότητες και άρα απ' ευθείας (χωρίς να εκπαιδεύσεις άλλο μοντέλο) μπορείς να τις χρησιμοποιήσεις για να βρεις την roc καμπύλη με τον παρακάτω κώδικα:
            > pred_m1 = prediction(P_M1, Class, label.ordering = c("0","1"))
            > roc_m1 = performance(pred_m1, "tpr", "fpr")