Projekt na przedmiot Matematyczne podstawy sztucznej inteligencji i cyberbezpieczeństwa
| .gitignore | ||
| accuracy8.txt | ||
| accuracy9.txt | ||
| accuracy.txt | ||
| Bayes.ipynb | ||
| bayes.py | ||
| BPM Boxplot.jpg | ||
| datapreparator.py | ||
| main.py | ||
| music_genre_raw.csv | ||
| Readme.md | ||
| requirements.txt | ||
| u | ||
Klasyfikacja za pomocą naiwnej metody bayesowskiej (rozkłady ciągłe)
Zasady zaliczenia: 40 punktów podzielone następująco:
- 10 pkt - prezentacja projektu
- 15 pkt - implementacja, w tym:
- 5 pkt - zgodność z tematem,
- 5 pkt - jakość kodu,
- 5 pkt - poprawność implementacji
- 10 pkt - efekt "wow"
- 5 pkt - aktywność wszystkich członków grupy
Klasyfikacja za pomocą naiwnej metody bayesowskiej (rozkłady ciągłe). Implementacja powinna założyć, że cechy są ciągłe (do wyboru rozkład normalny i jądrowe wygładzenie). Na wejściu oczekiwany jest zbiór, który zawiera p-cech ciągłych, wektor etykiet oraz wektor prawdopodobieństw a priori dla klas. Na wyjściu otrzymujemy prognozowane etykiety oraz prawdopodobieństwa a posteriori. Dodatkową wartością może być wizualizacja obszarów decyzyjnych w przypadku dwóch cech.
Termin oddania na Moodle: do 31 maja. Prezentacja projektów 1 czerwca na ćwiczeniach.
| Class | Acc_Train | Acc_Test | Uwagi |
|---|---|---|---|
| GaussianNB | 0.49 | 0.36 | - |
| MultinomialNB | - | - | Bez ujemnego inputu |
| ComplementNB | - | - | Bez ujemnego inputu |
| BernoulliNB | 0.35125 | 0.305 | - |
| CategoricalNB | - | - | Bez ujemnego inputu |