[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!

[Πληροφορίες Καθηγητών]

Πληροφορίες Καθηγητών

[κύριος Φασόλης]

μπορεις στην R απλα να παρεις ποσα ειναι τα tp και fn και απλα εσυ να υπολογισεις το κλασμα στο χερι 

το tp και fn στην R πως το παιρνουμε?

[Vlassis]

το tp και fn στην R πως το παιρνουμε?

λεμε για το 3ο lab σωστα;
αν ναι, τοτε για το P_M1:
> pred_obj <- prediction(data[,2] , data$Class, label.ordering = c("0", "1"))
> pred_obj

και θα σου εκτυπωσει ποσα ειναι τα tp, fn αναλογα με τα cutoffs που γραφει
αυτο θυμαμαι εκανα πριν, αν κατι παει στραβα και δε λειτουργει, θα το ξαναδω μετα 

[κύριος Φασόλης]

λεμε για το 3ο lab σωστα;
αν ναι, τοτε για το P_M1:
> pred_obj <- prediction(data[,2] , data$Class, label.ordering = c("0", "1"))
> pred_obj

και θα σου εκτυπωσει ποσα ειναι τα tp, fn αναλογα με τα cutoffs που γραφει
αυτο θυμαμαι εκανα πριν, αν κατι παει στραβα και δε λειτουργει, θα το ξαναδω μετα 

πωω εχω κανει ποσες φορες τη ROC καμπυλη ετσι και μια φορα δεν ψηθηκα να δω τι εχει μεσα το pred_obj 
ωραιος μαν θενξ

[Vlassis]

το f-measure πως το υπολογισατε;
με την performance ή αλλιως;

[ΒruteΦorce_attack]

το f-measure πως το υπολογισατε;
με την performance ή αλλιως;

αφού έχω τα TP, TN, FP, FN .. ένα κλασματάκι είναι στο χέρι (δεν ξέρω αν υπάρχει κατευθείαν εντολή)

[raptalex]

λεμε για το 3ο lab σωστα;
αν ναι, τοτε για το P_M1:
> pred_obj <- prediction(data[,2] , data$Class, label.ordering = c("0", "1"))
> pred_obj

και θα σου εκτυπωσει ποσα ειναι τα tp, fn αναλογα με τα cutoffs που γραφει
αυτο θυμαμαι εκανα πριν, αν κατι παει στραβα και δε λειτουργει, θα το ξαναδω μετα  

Απλά επειδή λέει η εκφώνηση :  Υποθέστε ότι ενδιαφερόμαστε μόνο να εντοπίσουμε δείγματα που ανήκουν στην θετική (1) κλάση.
Class
Μήπως παίζει ρόλο το label.ordering;;

[unfo]

Έχει κανείς καμιά ιδέα για το πώς βρίσκουμε  το accuracy σε ταξινομητή SVM και πως κατατάσουμε σημείο στα svm ??? (Quiz 4: Ερωτήσεις 3 και 4 )

EDIT: Στο 1ο quiz που λέει να αποθηκεύσουμε το άθροισμα του αριθμού των επιβατών σε ένα vector και να κάνουμε το σχήμα. Πως κάνουμε αποθήκευση σε vector ? εγώ κάνω αυτό:

pass = matrix(1:12)
for(i in 1:12) {
    pass[ i ] = sum( air[ , i] )
}

[Μπιγκόνια]

Απλά επειδή λέει η εκφώνηση :  Υποθέστε ότι ενδιαφερόμαστε μόνο να εντοπίσουμε δείγματα που ανήκουν στην θετική (1) κλάση.
Class
Μήπως παίζει ρόλο το label.ordering;;

έχει σημασία η σειρά που θα μπεί. Για αυτό και μπαίνει πρώτα το 0 και μετά το 1 γιατί μας είχε πει στο εργαστήριο ότι πρώτα θέλει την κλάση για τα negative και μετά για τα positive

EDIT: Στο 1ο quiz που λέει να αποθηκεύσουμε το άθροισμα του αριθμού των επιβατών σε ένα vector και να κάνουμε το σχήμα. Πως κάνουμε αποθήκευση σε vector ? εγώ κάνω αυτό:

pass = matrix(1:12)
for(i in 1:12) {
    pass[ i ] = sum( air[ , i] )
}

μπορείς να κάνεις colSum(air) και νομίζω το αποτέλεσμα είναι vector αλλιώς κάνε as.vector(colSum(air))

[unfo]

μπορείς να κάνεις colSum(air) και νομίζω το αποτέλεσμα είναι vector αλλιώς κάνε as.vector(colSum(air))

σε ευχαριστώ !!! 

[Andromedas]

Έχει κανείς καμιά ιδέα για το πώς βρίσκουμε  το accuracy σε ταξινομητή SVM και πως κατατάσουμε σημείο στα svm ??? (Quiz 4: Ερωτήσεις 3 και 4 )

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

Έπως κατατάσουμε σημείο στα svm ??

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

[princess_of_the_dawn]

μπορεις στην R απλα να παρεις ποσα ειναι τα tp και fn και απλα εσυ να υπολογισεις το κλασμα στο χερι 

το συγκεκριμενο δεν το εκανα στην R αλλα με πινακακια

εδιτ: αλλα αν βαριεσαι να τα υπολογιζεις κανεις την ROC καμπυλη για το καθε μοντελο και εχεις μια αναπρασταση τους.

επειδή είμαι τελείως άσχετη,

1.για το 1) ερώτημα στην R με το pred_obj παίρνω το εξής

An object of class "prediction"
Slot "predictions":
[[1]]
 [1] 0.73 0.69 0.44 0.55 0.67 0.47 0.08 0.15 0.45 0.35


Slot "labels":
[[1]]
 [1] 1 1 0 0 1 1 0 0 1 0
Levels: 0 < 1


Slot "cutoffs":
[[1]]
 [1]  Inf 0.73 0.69 0.67 0.55 0.47 0.45 0.44 0.35 0.15 0.08


Slot "fp":
[[1]]
 [1] 0 0 0 0 1 1 1 2 3 4 5


Slot "tp":
[[1]]
 [1] 0 1 2 3 3 4 5 5 5 5 5


Slot "tn":
[[1]]
 [1] 5 5 5 5 4 4 4 3 2 1 0


Slot "fn":
[[1]]
 [1] 5 4 3 2 2 1 0 0 0 0 0


Slot "n.pos":
[[1]]
[1] 5


Slot "n.neg":
[[1]]
[1] 5


Slot "n.pos.pred":
[[1]]
 [1]  0  1  2  3  4  5  6  7  8  9 10


Slot "n.neg.pred":
[[1]]
 [1] 10  9  8  7  6  5  4  3  2  1  0

πώς μπορώ με βάση αυτό και το threshold = 0.5 να πάρω το tpr?

2.επίσης, διαβάζοντας ξανά την αρχική εκφώνηση:
.

Το test set που έχει
επιλεγεί περιέχει 10 δείγματα με 26 δυαδικά χαρακτηριστικά τα οποία επισημαίνονται ως
1 2 26 xx x , ,..., .

Τί εννοεί με αυτό;

[Andromedas]

επειδή είμαι τελείως άσχετη,
πώς μπορώ με βάση αυτό και το threshold = 0.5 να πάρω το tpr?

δεν μπορείς αφού δεν υπάρχει το 0.5 στα prediction [/edit και να υπήρχε δεν νομίζω από το prediction να μπορείς να το βγάλεις] αυτό που κάνεις είναι :

Code:

TP=sum((P_M1>0.5 & Class>0)==TRUE)
FN=sum((P_M1<0.5 &Class==1)==TRUE)

δύο εντολές που πρακτικά υπολογίζουν το TP και το FN
μετά απλά παίρνεις τον τύπο του tpr=TP/(TP+FN)

[Μπιγκόνια]

επειδή είμαι τελείως άσχετη,

1.για το 1) ερώτημα στην R με το pred_obj παίρνω το εξής

πώς μπορώ με βάση αυτό και το threshold = 0.5 να πάρω το tpr?

μπορείς να δεις στο cutoffs που έχει το 0,5 καλό είναι νομίζω να πάρεις την πιο πάνω τιμή
αλλιώς θα μπορούσες να κάνεις εσύ το prediction που θα κάνει με πχ
pred = ifelse(data$P_M1 > thresshold, "θετική κλάση" , "αρνητική κλάση")
 cm = as.matrix(table(Actual = data%Class, Predicted = pred))

και θα έχεις TP FP FN TN

2.επίσης, διαβάζοντας ξανά την αρχική εκφώνηση:
.
Τί εννοεί με αυτό;

δεν σε απασχολεί, ουσιαστικά λέει ότι τα μοντέλα φτιάχτηκαν από αυτά τα χαρακτηριστηκά

[TheoProt]

Στο κουίζ για naiveBayes πώς μπορώ να υπολογίσω στην R τα FP και TN ;

[princess_of_the_dawn]

δεν μπορείς αφού δεν υπάρχει το 0.5 στα prediction [/edit και να υπήρχε δεν νομίζω από το prediction να μπορείς να το βγάλεις] αυτό που κάνεις είναι :

Code:

TP=sum((P_M1>0.5 & Class>0)==TRUE)
FN=sum((P_M1<0.5 &Class==1)==TRUE)

δύο εντολές που πρακτικά υπολογίζουν το TP και το FN
μετά απλά παίρνεις τον τύπο του tpr=TP/(TP+FN)

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??

μπορείς να δεις στο cutoffs που έχει το 0,5 καλό είναι νομίζω να πάρεις την πιο πάνω τιμή
αλλιώς θα μπορούσες να κάνεις εσύ το prediction που θα κάνει με πχ
pred = ifelse(data$P_M1 > thresshold, "θετική κλάση" , "αρνητική κλάση")
 cm = as.matrix(table(Actual = data%Class, Predicted = pred))

και θα έχεις TP FP FN T

λίγο complicated μου φαίνεται αυτό αλλά ευχαριστώ πολύ

Στο κουίζ για naiveBayes πώς μπορώ να υπολογίσω στην R τα FP και TN ;

δες τα ακριβώς πάνω ποστς αυτή η ερώτηση μόλις απαντήθηκε

εδιτ:

έχει σημασία η σειρά που θα μπεί. Για αυτό και μπαίνει πρώτα το 0 και μετά το 1 γιατί μας είχε πει στο εργαστήριο ότι πρώτα θέλει την κλάση για τα negative και μετά για τα positive

ναι στο φυλλάδιο όμως λέει απλά ότι

Όπου στο label.ordering θέτουμε τις κλάσεις με 2η κλάση αυτή που αφορά το αντικείμενο
pred_prob (η βιβλιοθήκη υποστηρίζει μόνο binary classification)

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