[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!

[12:00-13:30]

Η γραμματεία είναι ανοιχτή καθημερινά 12:00-13:30

[Andromedas]

αχαμ ευχαριστώ πολύ
για να σιγουρευτώ ότι το κατάλαβα(μετά και από δοκιμές) κάθε φορά το True/False "πάει" στην κλάση (δηλ για Τ-> C=1 kai F-> C=0) και το Positive/Negative στο threshold (Positive-> P_M>0.5  Negative ->P_M<0.5   ???
και αν ναι το "= "πού πάει??

Δεν πολύ νιώθω τι εννοείς αλλά:
το threshold το βάζεις ώστε  να πεις από τόσο και πάνω το prediction είναι Positive και από τόσο και κάτω το prediction είναι Negative.
Οπότε χρησιμοποιείς και την πραγματική τιμή Class. Όπου πάνω από threshold, το prediction είναι Positive και εάν το πραγματικό είναι Positive έχεις True Positive
αλλιώς έχεις False Positive
αντίστοιχα και κάτω από το threshold το prediction είναι Negative , Όπου το πραγματικό class είναι Negative έχεις True Negative και όπου είναι positive έχεις false negative. lecture_3 σελίδα 18 και 19

[Μπιγκόνια]

εδώ όκ μας ενδιαφέρει ούτως ή άλλως η θετική κλάση, αν μας ενδιέφερε όμως η αρνητική για κάποιο λόγο δε θα έμπαιναν ανάποδα;

εμείς είμαστε που θεωρούμε ποια θέλουμε αρνητική και ποια θετική αν πούμε ότι αρχικά ορίζουμε την 1 ως θετική και την 0 ως αρνητική αλλά σε άλλο ερώτημα τα θέλουμε ανάποδα( δηλαδή την 0 ως θετική και την 1 ως αρνητική) τότε θα τα γράφαμε και ανάποδα. Στο παράδειγμα που έχει παράδειγμα με republicans και democrats θα βάλεις 2ο αυτό που σε ενδιαφέρει στο ερώτημα να έχεις ως θετικό και το άλλο ως αρνητικο θα μπει 10 στην εντολή.

[princess_of_the_dawn]

αχαμ οκκ σας ευχαριστώ και τους δύο

[unfo]

Εγώ το βρίσκω με το Accuracy από το MLmetrics πχ για το παράδειγμα με το iris από το lab2

Code:

 model_svm=svm(Species~.,data=trainingdata,kernel="radial",type="C-classification",gama=0.1)
pred=predict(model_svm,testingdata[,c(1,2)])
Accuracy(pred,testingdata$Species)

γίνεται και με όλα αλλά πρέπει μερικές φορές ανάλογα ποιόν classifier χρησιμοποιείς να βάζεις class στο predict
Εάν εννοείς πώς βάζουμε μια τιμή στο predict πρέπει η τιμή αυτή να έχει τα labels που έχει γίνει train το μοντέλο στο δικό παράδειγμά πχ petal width=4 petal length=5 πρεπεί να την φτιάξεις την τιμή πχ:

Code:

> X1=4;
> X2=5;
> X3=6;
> tryval=expand.grid(X1,X2,X3)
> colnames(tryval)=colnames(iris2)
> tryval
  Sepal.Length Sepal.Width Species
1            4           5       6

το X3 είναι άσχετο απλά για να μπορέσεις να κάνεις colnames
και μετά κανονικά predict

Code:

> test=predict(model_svm,tryval[,c("Sepal.Length","Sepal.Width")])
> test
     1 
setosa 
Levels: setosa versicolor

Κατι παραπανω απο Θεος !!! 

[κύριος Φασόλης]

Μπορει καποιος να βοηθησει στην ερωτηση 2 απο το quiz για knn/svms ?

[unfo]

Μπορει καποιος να βοηθησει στην ερωτηση 2 απο το quiz για knn/svms ?

> X_train = alldata[,c("X1","X2")]
> Y_train = alldata$Y
> knn(X_train, c(1.8 , 4), Y_train, k = 3, prob = TRUE)

[κύριος Φασόλης]

> X_train = alldata[,c("X1","X2")]
> Y_train = alldata$Y
> knn(X_train, c(1.8 , 4), Y_train, k = 3, prob = TRUE)

λολ καλο σκαλωμα εφαγα νομιζα οτι εννοουσε σημειο με 3 χαρακτηριστικα
thanks

[princess_of_the_dawn]

Code:

 model_svm=svm(Species~.,data=trainingdata,kernel="radial",type="C-classification",gama=0.1)
pred=predict(model_svm,testingdata[,c(1,2)])
Accuracy(pred,testingdata$Species)

με αυτόν τον τρόπο εμένα μου βγαίνει 0 (ερωτημα 3 -quiz 4) 

πόσο βγαίνει κανονικά;

[SemAn]

με αυτόν τον τρόπο εμένα μου βγαίνει 0 (ερωτημα 3 -quiz 4) 

πόσο βγαίνει κανονικά;

Νομίζω gamma=1 θελει... Και σωστή απάντηση ειναι 1,000.

[princess_of_the_dawn]

ναι βρε με γαμμα=1 το έκανα

πριν που το εκανα με άλλο τροπο (βάζοντας αντί για testset -> trainingset στα pred και accuracy μου εβαγινε κι εμενα 0.666 αλλά δεν το έβγαζε σωστό το κουίζι

[SemAn]

ναι βρε με γαμμα=1 το έκανα

πριν που το εκανα με άλλο τροπο (βάζοντας αντί για testset -> trainingset στα pred και accuracy μου εβαγινε κι εμενα 0.666 αλλά δεν το έβγαζε σωστό το κουίζι

Ναι χαζομαρα εγραψα πιο πανω 1,000 ηταν το σωστο(το διορθωσα τωρα) Yπουλο ερωτημα γιατι σε μπερδευει με τα 3 δεκαδικα

[princess_of_the_dawn]

Ναι χαζομαρα εγραψα πιο πανω 1,000 ηταν το σωστο(το διορθωσα τωρα) Yπουλο ερωτημα γιατι σε μπερδευει με τα 3 δεκαδικα

και το εβγαλες με αυτά τα ορίσματα(εκτός από το γαμμα που είναι 1);

κάνοντας αυτό

svm_model = svm(Y ~ ., kernel="radial", type="C-classification",data = trainingdata, gamma = 1)
> pred = predict(svm_model, testdata[,c(1,2)])
> Accuracy(pred, testdata$Y)

όπου trainingdata εχω παρει τα πρωτα 7 και τεστδατα τα αλλα 2 μου βγαινει 0

1 βγαίνει μόνο σε περίπτωση που στο svm_model βάλω αλλδατα αντί για training

[SemAn]

και το εβγαλες με αυτά τα ορίσματα(εκτός από το γαμμα που είναι 1);

κάνοντας αυτόόπου trainingdata εχω παρει τα πρωτα 7 και τεστδατα τα αλλα 2 μου βγαινει 0

1 βγαίνει μόνο σε περίπτωση που στο svm_model βάλω αλλδατα αντί για training

Ολα τα data που σου δινει ειναι training data! και στην svm συναρτηση θα βαλεις και τα 10 και στο predict θα βαλεις και τα 10! Αν σου δινει testdata θα στο λεει.

[Vlassis]

δεν σου λεει πουθενα να κανεις split τα δεδομενα σου σε training και testing, σου λεει να το υπολογισεις πανω σε ολοκληρο το training data
αρα σωστα το βγαζεις 1 με το alldata  

[princess_of_the_dawn]

αααααα ρε δεν το είχα καταλάβει και τα χώριζαααααα

οκκ τότε ευχαριστώ πολύ και τους δυό!!