[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!

Για ανανέωση (ή προσθήκη νέου) avatar, πρέπει η μεγαλύτερη διάσταση της εικόνας να είναι 110 pixels.

[popman]

Στο elearning πως ανεβάζουμε το history της r. Και τέλος αν βγαίνει αρνητικό το κέρδος που γίνετε το λάθος ;

Μπορεί να βάζεις λαθος αριθμό της κλάσης (στήλης)

[pavlosana]

θυμάται κάποιος τι θέματα είχε βάλει τον Ιούλιο ;

sent from mTHMMY 

[chasiotis]

παιδιά στα δέντρα απόφασης όταν τα κάνουμε plot στην r τι συμβολίζει ο κάθε αριθμός που έχουν οι κόμβοι;

[karakosv98]

Η 2η γραμμή αποτελείται από τις πιθανότητες να γίνει (Play = Yes) ή να μην γίνει (Play = No) το παιχνίδι. Η αριστερή τιμή δίνει την πιθανότητα του No ενώ η δεξία του Yes και από πάνω βλέπεις την απόφαση βάσει των 2 αυτών τιμών. Η τρίτη γραμμή αναφέρεται στο ποσοστό του dataset που υπάρχει σε κάθε κόμβο.

[vasiliki_97]

Συμφωνα με τον ορισμο του Recall = a/(a+b) και δεδομένου των σχέσεων a= TP , b = FN,  και  ΤPR = TP/(TP+FN)  t;ote to Recall δεν ειναι το ίδιο με το  το ΤPR??
Επισης αν καποιος κατάλαβε στην πράξη τι εννοεί οταν λέει οτι κάτω απο το κύρια διαγώνιο προβλέπει αναποδα ας μου εξηγήσει γιατι συμφωνά με το παράδειγμα που κατασκευάζει την ROC καμπύλη δεν παρατήρησα κάτι τέτοιο..

[panos98]

Συμφωνω

Συμφωνα με τον ορισμο του Recall = a/(a+b) και δεδομένου των σχέσεων a= TP , b = FN,  και  ΤPR = TP/(TP+FN)  t;ote to Recall δεν ειναι το ίδιο με το  το ΤPR??

sent from mTHMMY  

[Judas Priest saved me]

Επισης αν καποιος κατάλαβε στην πράξη τι εννοεί οταν λέει οτι κάτω απο το κύρια διαγώνιο προβλέπει αναποδα ας μου εξηγήσει γιατι συμφωνά με το παράδειγμα που κατασκευάζει την ROC καμπύλη δεν παρατήρησα κάτι τέτοιο..

Αν το ROC ειναι κάτω από την κύρια διαγώνιο σημαίνει ότι το μοντέλο συνήθως κάνει λάθος πρόβλεψη (πιο συχνά από 50% των φορών θα κάνει λάθος ταξινόμηση). Αυτό πρακτικά σημαίνει ότι το μοντέλο έχει μάθει τα δεδομένα και ξέρει να βγάζει συμπεράσματα, απλά βγάζει το αντίθετο συμπέρασμα από αυτό που θα έπρεπε. Δε ξέρω αν βοήθησα 

[panos98]

ουσιαστικα αν η roc ειναι κατω απο τη κυρια διαγωνιο , το μεγαλυτερο ποσοστο προβλεψεων που κανει το μοντελο ειναι λαθος και εφοσον μιλαμε για classification με δυο κλασεις, η σωστη κλαση ειναι η αντιθετη απο την προβλεψη.Να προσθεσω οτι οσο πιο κατω ειναι η roc απο τη κυρια διαγωνιο τοσο πιο συχνα κανει λαθος προβλεψη,  αλλα  δεν σημαινει αυτο οτι κανει παντα λαθος classification, μπορει να εχει και σωστες προβλεψεις απλα αυτες ειναι μιοψηφια και σε συμφερει να λες οτι " το μοντελο προβλεπει αντιθετα" 

sent from mTHMMY 

[vasiliki_97]

Eυχαριστω παιδια το εχω πιάσει γενικα νομιζω!!!
Καλη επιτυχια σε ολους

[dkoutzia]

Ξερει κανεις γιατι στο κουιζ (Naive Bayes) μου βγαζει αυτο το αποτελεσμα (0.6) ως σωστο ενω με threshold=0.5 εχω μονο 4 τιμεσ και οι 3 απο αυτες ειναι tp.Παιζει να εχει λαθος στο κουιζ ή εγω το χανω καπου?

[Numb3rs]

Στο traffic dataset οταν κανω train το μοντελο Νaive Bayes με Laplace
smoothing και το τρεξω για τις τιμες ("Hot, Weekend"), ενω οι πιθανοτητες του μοντελου ταυτίζονται, η πιθανοτητα που δινει ως εξοδο το μοντελο διαφερει ελαχιστα με αυτη που υπολογιζεται θεωρητικα (δεν ειναι 32/49 αλλα 0.66). Ξερει κανεις γιατι;
https://ibb.co/W2cg2fS
https://ibb.co/WBSTVnr

[mermaid]

Ξερει κανεις γιατι στο κουιζ (Naive Bayes) μου βγαζει αυτο το αποτελεσμα (0.6) ως σωστο ενω με threshold=0.5 εχω μονο 4 τιμεσ και οι 3 απο αυτες ειναι tp.Παιζει να εχει λαθος στο κουιζ ή εγω το χανω καπου?

Το ΤΡ όπως είπες είναι 3 και το FN = 2, άρα από τον τύπο του TPR βγαίνει 0.6

[dkoutzia]

Το ΤΡ όπως είπες είναι 3 και το FN = 2, άρα από τον τύπο του TPR βγαίνει 0.6

FN =1 μ βγαίνει εμένα (μόνο η 0.55 >0.5 και αρνητική) , μπορείς να μου εξηγήσεις πως το βγαλες?

[Μπιγκόνια]

Στο traffic dataset οταν κανω train το μοντελο Νaive Bayes με Laplace
smoothing και το τρεξω για τις τιμες ("Hot, Weekend"), ενω οι πιθανοτητες του μοντελου ταυτίζονται, η πιθανοτητα που δινει ως εξοδο το μοντελο διαφερει ελαχιστα με αυτη που υπολογιζεται θεωρητικα (δεν ειναι 32/49 αλλα 0.66). Ξερει κανεις γιατι;
https://ibb.co/W2cg2fS
https://ibb.co/WBSTVnr

http://prntscr.com/vji3by

[Numb3rs]

http://prntscr.com/vji3by

Αυτο είναι χωρις Laplace smoothing, εγω το τρεχω με laplace smoothing