Opis
Predavanja
Vaje
Laboratorij
Izpiti
Objave
Vprašanja

 

LUKS > Študijski program > Visokostrokovni študij > Informatika v avtomatizaciji > Laboratorij

IZBIRNA LABORATORIJSKA VAJA 9

 

 

Razvrščanje z Bayesovim pravilom in verjetnostnimi odločitvenimi funkcijami

Napišite program, ki realizira postopek učenja Bayesovih odločitvenih funkcij di(x) = P(x | Ci) P(Ci), če predpostavimo normalno obliko gostote pogojne verjetnosti P(x | Ci) (RV, str. 344). Program preizkusite za P(Ci) = Ni / N, kjer je Ni število vzorcev v posameznih razredih in N število vseh vzorcev v celotni učni monožici. Najbolj primerno okolje za izvedbo te vaje je Matlab.

  • Program preizkusite s podano šolsko učno množico vzorcev.
  • Določite vse odločitvene funkcije di(x) = P(x | Ci) P(Ci) pri i = 1,2.
  • Narišite ločilne meje, ki delijo prostor značilk na dva podprostora.
  • Izvedite razvrščanje vpisanih poljubnih vzorcev z odločitvenimima funkcijama.
  • Program dopolnite tako, da bo deloval za množico vzorcev zbirke Iris.

Vzorci zbirke Iris so sestavljeni iz štirih botaničnih meritev rož perunik, razvrščenih v tri razrede (setosa, versicolor in virginica). Prvi razred je linearno ločljiv od preostalih dveh, ki pa med sabo nista linearno ločljiva. Ta podatkovna zbirka je uporabljen v klasični literaturi s področja Razpoznavanja vzorcev (na primer: Duda,R.O. in Hart,P.E. (1973) Pattern Classification and Scene Analysis). Zbirka je podrobneje opisana v datoteki iris.txt.

Vzorci zbirke Iris so štiri-razsežni, zato program ne more izrisati ločilnih mej v (štiri-razsežnem) prostoru značilk. V programu zato izključite risanje mej za vzorce, ki niso dvo-razsežni.

Po štirideset vzorcev iz vseh treh razredov vzemite za učno množico, iz katerih določite odločitvene funkcije, preostalih deset vzorcev v vsakem razredu pa za množico testnih vzorcev. Program preizkusite tako, da ugotovite pravilnost razvrščanja testnih vzorcev s prej določenimi odločitvenimi funkcijami di(x) = P(x | Ci) P(Ci), za i = 1,2,3.

Rezultat podajte v odstotkih pravilno razvrščenih testnih vzorcev, ločeno po vseh treh razredih in za vse vzorce skupaj.

Na razpolago imate šolski primer v Matlabu, ki na majhni množici vzorcev pokaže, kako se v tem okolju izračuna a priorne verjetnosti, srednje vektorje in kovariančne matrike, ki določajo odločitvene funkcije di(x).

Opomba:
Študenti lahko namesto te zbirke izberejo tudi katero od drugih zbirk vzorcev, primernih za zahtevani postopek. Zbirke izbirajo med
množicami vzorcev, ki so na razpolago na spletnem repozitoriju UCI Machine Learning Repository.

Pričakovane ocene projekta:

  • Izvedba le s šolskimi vzorci brez GUI ter izrisov vzorcev in ločilnih mej ..... [6];
  • Izvedba le s šolskimi vzorci z GUI ter izrisi vzrocev in ločilnih mej ..... [6-7];
  • Dopolnjena izvedba z zbirko Iris brez GUI in izrisov ..... [8-9];
  • Dopolnjena izvedba z zbirko Iris z GUI in izrisi ..... [9-10];

 

Stran vzdržuje: Simon Dobrišek :::: Zadnja sprememba: 11.03.2011
 
Laboratory of Artificial Perception, Systems and Cybernetics, Email staff[.at.]luks[.dot.]fe[.dot.]uni-lj[.dot.]si
 
01.10.2012