[Aναγνώριση Προτύπων] Ανακοινώσεις - Επικαιρότητα 2017-2018

[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!

[raptalex]

Εφαρμόστε PCA στα δεδομένα εκπαίδευσης ( με παραμέτρους center = TRUE και scale = TRUE) . Εκπαιδεύστε ένα μοντέλο με τη χρήση kNN (k=3) , με στόχο να κατατάξετε τα δεδομένα ελέγχου. Ποιος είναι ο βέλτιστος αριθμός των  Principal Components που πρέπει να κρατήσουμε με βάση τη μετρική Accuracy;

Κάποια ιδέα;

[Vlassis]

Εφαρμόστε PCA στα δεδομένα εκπαίδευσης ( με παραμέτρους center = TRUE και scale = TRUE) . Εκπαιδεύστε ένα μοντέλο με τη χρήση kNN (k=3) , με στόχο να κατατάξετε τα δεδομένα ελέγχου. Ποιος είναι ο βέλτιστος αριθμός των  Principal Components που πρέπει να κρατήσουμε με βάση τη μετρική Accuracy;

Κάποια ιδέα;

Code:

pca_model <- prcomp(training, center = TRUE, scale = TRUE)
eigenvectors = pca_model$rotation
eigenvalues = pca_model$sdev^2
acc = c()
for (i in 1:9){
  training_pc <- as.data.frame(predict(pca_model, training)[, 1:i])
  training_pc[, i+1:9] <- 0
  
  testing_pc <- as.data.frame(predict(pca_model, testing)[, 1:i])
  testing_pc[, i+1:9] <- 0
  
  knn_model <- knn(train = training_pc, test = testing_pc, cl = trainingType, k = 3, prob = TRUE)
  acc[i] = Accuracy(y_pred = knn_model, y_true = testingType)
}

για οτι διαφωνιες πειτε 

[kaspas]

μπορείς να εξηγήσεις λίγο γιατί κάνεις predict για το testing set?

[lodi]

Code:

pca_model <- prcomp(training, center = TRUE, scale = TRUE)
eigenvectors = pca_model$rotation
eigenvalues = pca_model$sdev^2
acc = c()
for (i in 1:9){
  training_pc <- as.data.frame(predict(pca_model, training)[, 1:i])
  training_pc[, i+1:9] <- 0
  
  testing_pc <- as.data.frame(predict(pca_model, testing)[, 1:i])
  testing_pc[, i+1:9] <- 0
  
  knn_model <- knn(train = training_pc, test = testing_pc, cl = trainingType, k = 3, prob = TRUE)
  acc[i] = Accuracy(y_pred = knn_model, y_true = testingType)
}

Αρχικά θα μπορούσε να λείπουν οι εντολές

Code:

testing_pc[, i+1:9] <- 0

  KAI   

Code:

training_pc[, i+1:9] <- 0

. Πάλι θα ήταν ίδιων διαστάσεων όταν κάνεις τo knn και δεν θα κράσαρε.
Μετά αφού θες να τα βάλεις, τουλάχιστον βάλε και μια παρένθεση

Code:

testing_pc[, (i+1):9] <- 0

  για να είσαι σωστός :Ρ. Γιατί αλλιώς σου βγαίνουν παραπάνω διαστάσεις. (Μετά προκύπτει και ένα θέμα για όταν i=9, οπότε βάζεις και μια συνθήκη να κάνει αυτήν την πράξη αν i<9)
Βασικά γενικά βγάλτα γιατί δεν χρειάζονται και μη μπλέκεις.

Τώρα να πω την γνώμη μου στον κασπα γιατί χρειάζεται. Γιατί δουλεύεις knn και δεν μπορώ να φανταστώ εγώ σαν lodi να ψάχνω γύρω από το σπίτι μου γείτονες που είναι σε άλλη διάσταση. :Ρ

[Andromedas]

Code:

pca_model <- prcomp(training, center = TRUE, scale = TRUE)
eigenvectors = pca_model$rotation
eigenvalues = pca_model$sdev^2
acc = c()
for (i in 1:9){
  training_pc <- as.data.frame(predict(pca_model, training)[, 1:i])
  training_pc[, i+1:9] <- 0
  
  testing_pc <- as.data.frame(predict(pca_model, testing)[, 1:i])
  testing_pc[, i+1:9] <- 0
  
  knn_model <- knn(train = training_pc, test = testing_pc, cl = trainingType, k = 3, prob = TRUE)
  acc[i] = Accuracy(y_pred = knn_model, y_true = testingType)
}

για οτι διαφωνιες πειτε 

Γιατί χρειάζεται να διατηρείς το διάνυσμα στις ίδιες διαστάσεις ; Γενικά με τον PCA κάνεις reduction των διαστάσεων οπότε νομίζω αρκεί να κρατήσεις i διαστάσεις...

[unfo]

Υπολογίστε την τιμή της μετρικής Accuracy  στην περιπτωση που ο διαχωρισμος δεδομενων εγινε Hierarchical clustering (single link) (Αριθμός ομάδων 2).

Κάποια ιδέα ?

[Mitsos]

Έχει κάνει κάποιος το τεστάκι από 7ο εργαστήριο με ιεραρχικό clustering, dbscan κλπ?

Στην πρώτη ερώτηση, το σύστημα υποστηρίζει ότι αποτελεσματικό διαχωρισμό κάνουν μόνο οι k-means και hierarchical - complete linkage. Εγώ που τα δοκίμασα όλα, μου βγήκαν αρκετά καλά αποτελέσματα και απ' τον dbscan για eps = 1.25 (επισυνάπτω τα αποτελέσματα)

Βγήκε σε κάποιον κάτι διαφορετικό;

Επίσης πάνω σ' αυτό, υπάρχει κάποιος τρόπος που εκτιμάμε ποιος αλγόριθμος είναι αποτελεσματικός, πχ accuracy μεγαλύτερο από κάποια τιμή ή κάτι τέτοιο, ή το λέμε έτσι με το μάτι στο περίπου;

[Mitsos]

Υπολογίστε την τιμή της μετρικής Accuracy  στην περιπτωση που ο διαχωρισμος δεδομενων εγινε Hierarchical clustering (single link) (Αριθμός ομάδων 2).

Κάποια ιδέα ?

Βρίσκεις το accuracy απ' το confusion matrix που κάναμε στα πρώτα κεφάλαια οσον αφορά τα δεδομένα που σου δίνονται και αυτά που προέβλεψες απ την συγκεκριμένη ομαδοποίηση.

[ΒruteΦorce_attack]

Έχει κάνει κάποιος το τεστάκι από 7ο εργαστήριο με ιεραρχικό clustering, dbscan κλπ?
Στην πρώτη ερώτηση, το σύστημα υποστηρίζει ότι αποτελεσματικό διαχωρισμό κάνουν μόνο οι k-means και hierarchical - complete linkage. Εγώ που τα δοκίμασα όλα, μου βγήκαν αρκετά καλά αποτελέσματα και απ' τον dbscan για eps = 1.25 (επισυνάπτω τα αποτελέσματα)
Βγήκε σε κάποιον κάτι διαφορετικό;
Επίσης πάνω σ' αυτό, υπάρχει κάποιος τρόπος που εκτιμάμε ποιος αλγόριθμος είναι αποτελεσματικός, πχ accuracy μεγαλύτερο από κάποια τιμή ή κάτι τέτοιο, ή το λέμε έτσι με το μάτι στο περίπου;

Κι εγώ στην αρχή είχα τσεκάρει το dbscan με eps = 1.25 .. αλλά αν κατάλαβα καλά πολλά σημεία τα βγάζει σαν θόρυβο, και στην εκφώνηση θέλει τους αλγορίθμους που τα διαχωρίζουν επιτυχώς .. Νομίζω δεν υπάρχει συγκεκριμένη τιμή πάνω από την οποία ένας αλγόριθμος θα είναι καλός, μπορούμε μόνο να συγκρίνουμε δυο accuracy και να πούμε ποιος είναι καλύτερος από τον άλλον

[Μπιγκόνια]

Παράδοση εργασίας

19 Δεκ 2017 12:05 πμ
Παπαμιχαήλ

Την Τετάρτη 20/12/2017 και ώρα 18:00 - 20:00 θα γίνει η παράδοση της εργασίας στα πλαίσια του μαθήματος. Το μάθημα θα γίνει στην Αίθουσα 3.

Παρακαλώ να ενημερώσετε τους συναδέλφους σας.

[lodi]

Ethmmy η 2η πρόοδος

[ΒruteΦorce_attack]

μπορούμε στην εξεταστική του ιανουαρίου να δώσουμε μία από τις δύο προόδους αντί για όλη την ύλη;

[Μπιγκόνια]

μπορούμε στην εξεταστική του ιανουαρίου να δώσουμε μία από τις δύο προόδους αντί για όλη την ύλη;

είχε πει ότι θα το δει με τους διδακτορικούς. Αν δεν έχεις δώσει την μία για σοβαρούς λόγους, είχε πει ότι σχεδόν σίγουρα θα μπορείς να δώσεις μόνο την μία. Τώρα, για τους υπόλοιπούς μάλλον καλό θα ήταν να γίνει ερώτηση στο επόμενο μάθημα.

[eleftheria_94]

Σχετικά με την εργασία, αναφέρθηκε καθόλου πόσες μέρες στο περίπου πιστεύουν οτι θα μας πάρει?

[Μπιγκόνια]

στην εβδομάδα ίσως έχεις βγάλει κάποια cluster και σε άλλη μία εβδομάδα να τα έχεις κατηγοροποιήσει (η μέρες ισοδυναμούν με ενασχόληση με την εργασία εκείνη την μέρα και όχι με 3 εργασίες)