[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!

[Πρόγραμμα Χειμερινής Εξεταστικής 2024-2025]

Πρόγραμμα Χειμερινής Εξεταστικής 2024-2025

[mermaid]

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

Αν βάλουμε τις πιθανότητες που δίνει το Μ1 με φθίνουσα σειρά από πάνω προς τα κάτω και θεωρήσουμε t = 0.5, τότε θα έχουμε 4 positives (4 εγγραφές πάνω από το t τις οποίες θεωρούμε predicted as positives) εκ των οποίων οι 3 είναι ΤΡ(τα έχω προβλέψει ως positives και όντως είναι positives, δλδ κλάσης 1) και η  1 FP (predicted as positive (κλάση 1) αλλά είναι negative, δλδ κλάσης 0)

Επίσης, θα έχουμε 6 negatives (6 εγγραφές κάτω απο το t που τις θεωρούμε predicted as negatives) εκ των οποίων τα 4 είναι ΤΝ (predicted as negatives (κλάση 0) που όντως ανήκουν στην κλάση 0) και τα 2 FN(predicted as negatives, τα οποία στην πραγματικότητα ανήκουν στην κλαση 1). Άρα από τον τύπο TPR = TP/(TP+FN) βρίσκουμε 0.6.

[mermaid]

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

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

επειδή άλλαξε και η σελίδα μην ξεχάσουμε και την απορία του Numb3rs

[Μπιγκόνια]

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

Ναι δικό μου λάθος. Είναι το ίδιο πάντως με το γεγονός ότι χωρίς laplace smoothing δεν έχεις http://prntscr.com/vjiyj1 αλλά

Code:

> model <- naiveBayes(HighTraffic ~ ., data = traffic)
> predict(model, trvalue, type = "raw")
              No       Yes
[1,] 0.003984064 0.9960159

κατά πάσα πιθανότητα το predict θέλει να βγάλει άθροισμο 1, άρα μάλλον κάνει ένα normalization στις πιθανότητες. Εδώ αν έκανε το απλό normalization θα ήταν 1 και 0, αλλά είναι σχεδόν έτσι.
Στο laplace = 1, έχουμε ότι P(predict =Yes) = 32/49 ενώ P(predict =No) = 16/49, το οποίο αν κάνω normalization μου δίνει 2/3 και 1/3. Άμα θες για μεγαλύτερη σιγουριά δοκίμασε και άλλους συνδυασμούς για να δεις πως κάνει το normalization.

[Numb3rs]

Όντως αυτο πρεπει να είναι. Ευχαριστω!

[Μπιγκόνια]

Ενώ η Accuracy από το documentation δέχεται (y_pred,y_true) , στο τελευταίο εργαστήριο γράψαμε Accuracy(trainingset$y,pred) , καθώς υπολογίζαμε τα errors. Μήπως θα έπρεπε να είναι ανάποδα;

δοκίμασε να τρέξεις και ανάποδα να δεις τι βγάζει.

Code:

training_error = c()
training_error2 = c()
for (gamma in gammavalues) {
  svm_model = svm(y ~ ., kernel="radial", type="C-classification", data = trainingdata, gamma = gamma)
  pred = predict(svm_model, trainingdata[, c(1:2)])
  training_error = c(training_error, 1 - Accuracy(trainingdata$y, pred))
  training_error2 = c(training_error2, 1 - Accuracy(pred, trainingdata$y))
}

έχουν ακριβώς το ίδιο αποτέλεσμα. Όσα λάθη έχει ο ένας ως προς το άλλον, άλλα τόσα έχει και ο άλλος προς τον έναν.

[legen___dary]

Υes you are right. Ευχαριστώ 

[dkoutzia]

Αν βάλουμε τις πιθανότητες που δίνει το Μ1 με φθίνουσα σειρά από πάνω προς τα κάτω και θεωρήσουμε t = 0.5, τότε θα έχουμε 4 positives (4 εγγραφές πάνω από το t τις οποίες θεωρούμε predicted as positives) εκ των οποίων οι 3 είναι ΤΡ(τα έχω προβλέψει ως positives και όντως είναι positives, δλδ κλάσης 1) και η  1 FP (predicted as positive (κλάση 1) αλλά είναι negative, δλδ κλάσης 0)



Επίσης, θα έχουμε 6 negatives (6 εγγραφές κάτω απο το t που τις θεωρούμε predicted as negatives) εκ των οποίων τα 4 είναι ΤΝ (predicted as negatives (κλάση 0) που όντως ανήκουν στην κλάση 0) και τα 2 FN(predicted as negatives, τα οποία στην πραγματικότητα ανήκουν στην κλαση 1). Άρα από τον τύπο TPR = TP/(TP+FN) βρίσκουμε 0.6.

Ωραίος θενξ

[chasiotis]

Στα Δενδρα απόφασης υπάρχει περίπτωση να μας βαλουν διαχωρισμό σε συνεχή δεδομένα ;

Και αν ναι πως θα γινει με ifelse ε;

[chasiotis]

Επίσης με πια εντολή μπορώ στη δεύτερη φαση (επιπεδο) του διαχωρισμου στα δενδρα να διαχωρισω με διαφορετική μεταβλητη; Πχ πρωτο επιπεδο ωσ προς outlook δευτερο επιπεδο τον ενα κλαδο ωσ προς humidity και τον δευτερο ως προς temperature.

[babyshark]

Στα Δενδρα απόφασης υπάρχει περίπτωση να μας βαλουν διαχωρισμό σε συνεχή δεδομένα ;

Και αν ναι πως θα γινει με ifelse ε;

δε νομιζω να βαλουν κατι τετοιο εφοσον δε το εδειξαν σε R

[panos98]

Στα Δενδρα απόφασης υπάρχει περίπτωση να μας βαλουν διαχωρισμό σε συνεχή δεδομένα ;

Και αν ναι πως θα γινει με ifelse ε;

το ifelse το εβαζε στα knn  γιατι  ο χρωματισμος δεν γινοταν με αρνητικη κλαση στο -1 δηλαδη

sent from mTHMMY  

[empargio]

paidia ti diafora Exei sto modelo otan vazo     Class~.      me to   Class~class1 + class2   otan h klash exei mono class1 ka class2 san epiloges....sto proto quiz poy to ekana kai me tous dyo tropous moy ebgaive allo....
παιδιά τι διαφορά έχει το μοντέλο όταν βάζω Class~. με το Class~class1+class2 όταν η κλάση έχει μόνο class1 και class2 σαν επιλογές;... στο πρώτο quiz που το έκανα και με τους δύο τρόπους μου έβγαινε άλλο....

edit Μπιγκόνια: δεν γράφουμε με greeklish

[mermaid]

παιδιά τι διαφορά έχει το μοντέλο όταν βάζω Class~. με το Class~class1+class2 όταν η κλάση έχει μόνο class1 και class2 σαν επιλογές;... στο πρώτο quiz που το έκανα και με τους δύο τρόπους μου έβγαινε άλλο....

Μετά την ~ βάζεις εκείνα τα χαρακτηριστικά με βάση τα οποία θέλεις να προβλέπει το μοντέλο σου την κλάση, όχι τις διαφορετικές τιμές που παίρνει η κλάση
Όταν βάζεις ~. σημαίνει ότι λαμβάνεις υπόψιν όλα τα χαρακτηριστικά του dataset

[empargio]

Μετά την ~ βάζεις εκείνα τα χαρακτηριστικά με βάση τα οποία θέλεις να προβλέπει το μοντέλο σου την κλάση, όχι τις διαφορετικές τιμές που παίρνει η κλάση
Όταν βάζεις ~. σημαίνει ότι λαμβάνεις υπόψιν όλα τα χαρακτηριστικά του dataset

Μπιγκονια εχεις δικιο απλα με κουραζει η αλλαγη στο πληκτρολογιο....επίσης ναι αυτό ήθελα να πω ότι μετα την κλάση αν βάλω τελεια σημαίνει ότι χρησιμοποιώ όλα τα χαρακτηριστικα του ντατασετ...τι δαιφορα έχει να βαλω ολα τα χαρακτηριστικα του dataset με + από το να βάλω απλά την τελεία....αυτό ηθελα να ρωτησω....επίσης μια αλλη απορία...γιατί στο 3ο εργαστήρι βαζει as.characters στις μετρικες???

[A Caster]

Μπιγκονια εχεις δικιο απλα με κουραζει η αλλαγη στο πληκτρολογιο....επίσης ναι αυτό ήθελα να πω ότι μετα την κλάση αν βάλω τελεια σημαίνει ότι χρησιμοποιώ όλα τα χαρακτηριστικα του ντατασετ...τι δαιφορα έχει να βαλω ολα τα χαρακτηριστικα του dataset με + από το να βάλω απλά την τελεία....αυτό ηθελα να ρωτησω....επίσης μια αλλη απορία...γιατί στο 3ο εργαστήρι βαζει as.characters στις μετρικες???

Το εξηγεί στα βίντεο: επειδή έχει νούμερα και όχι κλάσεις (δλδ δεν έχουν ονόματα) , κάνει κάπως τεχνικά τις κλάσεις να έχουν ονόματα «1» και «0»