[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!

[Μπιγκόνια]

Παιδιά δοκιμάζω να τρέξω τις εντολές απο τα PDF του εργαστηρίου και το RStudio δε βρίσκει τη βιβλιοθήκη για τα ANN. 
Είχε κανείς το ίδιο πρόβλημα; 
Ξέρει κανείς τη λύση; 


Παραθέτω κώδικα με το πρόβλημα:

κατέβασέ την πρώτα install.packages

[georgopk]

κατέβασέ την πρώτα install.packages

Για να είμαι ειλικρινής, πιο πολύ ανησύχησα για το αν έχω λάθος έκδοση της R ή κάτι τέτοιο.
Αν και οι υπόλοιποι χρειάστηκε να την κατεβάσετε, τότε είμαστε εντάξει! 

Ευχαριστώ πάντως!

[transparent_Man]

Σχετικά με το 2ο quiz. Μπορεί να μου πει κάποιος πως κανω multiway split στην R?

[georgopk]

Σχετικά με το 2ο quiz. Μπορεί να μου πει κάποιος πως κανω multiway split στην R?

Αν λες για το τέταρτο ερώτημα, νομίζω οτι το μόνο που θέλει να πει, είναι οτι για το CarType υπάρχουν 3 διαφορετικές τιμές (Sedan, Family, Sport). Σε αντίθεση με το Sex πχ, το οποίο έχει M ή F.
Επομένως για να βρείς το gini για το CarType πρέπει να λάβεις υπ' όψιν σου τους δείκτες gini και για τους 3 τύπους αμαξιού. (Sedan, Family, Sport)


Παραθέτω τη λύση που δούλεψε σε εμένα.

car = read.csv("cart.txt")
> car
   CustomerID Sex CarType   Budget Insurance
1           1   M  Family      Low        No
2           2   M   Sport   Medium        No
3           3   M   Sport   Medium        No
4           4   M   Sport     High        No
5           5   M   Sport VeryHigh        No
6           6   M   Sport VeryHigh        No
7           7   F   Sport      Low        No
8           8   F   Sport      Low        No
9           9   F   Sport   Medium        No
10         10   F   Sedan     High        No
11         11   M  Family     High       Yes
12         12   M  Family VeryHigh       Yes
13         13   M  Family   Medium       Yes
14         14   M   Sedan VeryHigh       Yes
15         15   F   Sedan      Low       Yes
16         16   F   Sedan      Low       Yes
17         17   F   Sedan   Medium       Yes
18         18   F   Sedan   Medium       Yes
19         19   F   Sedan   Medium       Yes
20         20   F   Sedan     High       Yes
> absfreq = table(car[,c(3,5)])
> freq = prop.table(absfreq ,1 )
> freqSum = rowSums(prop.table(absfreq))
>
> gini_sedan = 1 - freq["Sedan","No"] ^2 -freq["Sedan","Yes"] ^2
> gini_family = 1 - freq["Family","No"]  ^2 - freq["Family","Yes"]  ^2
> gini_sport = 1 - freq["Sport","No"]  ^2 - freq["Sport","Yes"]  ^2
>
>
> gini_CarType = freqSum["Family"] * gini_family + freqSum["Sedan"] * gini_sedan + freqSum["Sport"] *gini_sport
> gini_CarType
Family
0.1625

Αν στο ίδιο παράδειγμα για κάποιο λόγο μας ενδιέφερε μόνο η περίπτωση των Sedan αμαξιών, θα είχαμε 2 κατηγορίες.
1-τα Sedan
2-τα υπόλοιπα (Family/Sport)
Αυτό δε θα ήταν multiway split.

Ρίξε μια ματιά και στις διαφάνειες 19,20,21... στο lecture 2.

Ελπίζω να βοήθησα.

[Μπιγκόνια]

Τα txt αρχεία μου βοηθάνε κόσμο (συγκίνηση) 

[georgopk]

Τα txt αρχεία μου βοηθάνε κόσμο (συγκίνηση) 

Χαχαχαχαχα! Ναι! Ισχύει!
Ξέχασα να δώσω το κρέντιτ εκεί που πρέπει!

Το txt με τα δεδομένα είναι δωρεά του Μπιγκόνια! 

_{Εν τω μεταξύ αυτό είναι το 100ο μου Post! Να τα χιλιάσω!!} 

[Ksifis]

Σχετικά με το 4ο quiz , στην 3η ερωτηση , που ζηταει να κατασκευασουμε εναν ταξινομητη με τη χρηση SVMs και RBF συναρτηση πυρηνα (kernel = radial , gamma = 1) , πως βρίσκω την τιμή του Accuracy για το trainingset ?

[TheoProt]

Σχετικά με το 4ο quiz , στην 3η ερωτηση , που ζηταει να κατασκευασουμε εναν ταξινομητη με τη χρηση SVMs και RBF συναρτηση πυρηνα (kernel = radial , gamma = 1) , πως βρίσκω την τιμή του Accuracy για το trainingset ?

Χρησιμοποιείς αυτή τη συνάρτηση:

Code:

Usage

Accuracy(y_pred, y_true)

Arguments

y_pred	Predicted labels vector, as returned by a classifier
y_true	Ground truth (correct) 0-1 labels vector

[00128419]

Το ερώτημα 4 του 4ου quiz απαντάται μόνο μέσω της γραφικής παράστασης?

[TheoProt]

Το ερώτημα 4 του 4ου quiz απαντάται μόνο μέσω της γραφικής παράστασης?

Δημιουργείς ένα καινούριο μικρό data frame και κάνεις predict για αυτό το data frame.

Code:

new_data <- data.frame(X1 = -2, X2 = -1.9)
predict(model, new_data)

[ster1252]

Sto 4o quiz sto erwthma me gamma = 1000000 otan trexw predict(svm_model,newdata,probability = TRUE) mou vgazei 0.5 na anhkei sthn 1 0.5 na anhkei sthn 2 ti paizei me auto ?

[TheoProt]

Sto 4o quiz sto erwthma me gamma = 1000000 otan trexw predict(svm_model,newdata,probability = TRUE) mou vgazei 0.5 na anhkei sthn 1 0.5 na anhkei sthn 2 ti paizei me auto ?

Κάνοντας αυτό που λες πήρα τα παρακάτω εγώ :

Code:

> model <- svm(Y ~ ., data = data, type = "C-classification", kernel = "radial", gamma = 1000000, probability = TRUE)
> predict(model, new_data, probability = TRUE)
1 
1 
attr(,"probabilities")
          1         2
1 0.5471181 0.4528819
Levels: 1 2
> predict(model, new_data)
1 
2 
Levels: 1 2

Τα αποτελέσματα σημαίνουν ότι άμα βάλω το όρισμα probability = TRUE παίρνω άλλη κλάση απ' ότι αν δεν το βάλω ή κάτι δεν καταλαβαίνω  ;

[ster1252]

Κάνοντας αυτό που λες πήρα τα παρακάτω εγώ :

Code:

> model <- svm(Y ~ ., data = data, type = "C-classification", kernel = "radial", gamma = 1000000, probability = TRUE)
> predict(model, new_data, probability = TRUE)
1 
1 
attr(,"probabilities")
          1         2
1 0.5471181 0.4528819
Levels: 1 2
> predict(model, new_data)
1 
2 
Levels: 1 2

Τα αποτελέσματα σημαίνουν ότι άμα βάλω το όρισμα probability = TRUE παίρνω άλλη κλάση απ' ότι αν δεν το βάλω ή κάτι δεν καταλαβαίνω  ;

Kai egw otan 3anaetre3a evgala ta idia noumera me sena meta mou 3anaevgale to 0.5 genika den 3erw pou skalwnei

[Ksifis]

Και μενα 0.5 μου εμφανιζει 

[TheoProt]

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 ;