Notebook

.gitignore

@@ -3,4 +3,5 @@ venv*
 .vscode*
 __pycache__*
 music_genre.csv
-music_genre.model
+*.model
+.ipynb_checkpoints*

Readme.md

@@ -10,4 +10,12 @@ Zasady zaliczenia: 40 punktów podzielone następująco:
 
 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.```
+```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 |

datapreparator.py

@@ -21,12 +21,19 @@ class DataPreparator:
     def prepare_data(df: pd.DataFrame) -> pd.DataFrame:
         data = deepcopy(df)
         column = df["label"].apply(lambda x: DataPreparator.genre_dict[x])
-        data.insert(0, 'genre', column, 'float')
+        data.insert(0, 'genre', column, 'int')
         data = data.drop(columns=['filename', 'label', 'length'])
         return data
 
     
     def train_test_split(df: pd.DataFrame) -> typing.Tuple[pd.DataFrame, pd.DataFrame, pd.Series, pd.Series]:
-        X = df.drop(["genre"], axis=1)
+        #X = df.drop(["genre"], axis=1)
+        X = df[["chroma_stft_mean","chroma_stft_var","rms_mean"]]
         Y = df["genre"]
-        return train_test_split(X, Y, test_size = 0.20, random_state = False)
+        return train_test_split(X, Y, test_size = 0.20, random_state = False)
+
+
+    def print_df_info(df: pd.DataFrame) -> None:
+        for key in DataPreparator.genre_dict.keys():
+            count = len(df[df["genre"]==DataPreparator.genre_dict[key]])
+            print(f"Key: {key}\tCount: {count}")

main.py

@@ -13,11 +13,10 @@ else:
 
 X_train, X_test, Y_train, Y_test = DataPreparator.train_test_split(data)
 
-bayes = Bayes('music_genre.model')
+bayes = Bayes('_model.model')
 if(not bayes.model_exists):
     bayes.train(X_train, Y_train)
 
-
 Y_predicted = bayes.predict(X_train)
 eval_result = bayes.eval(Y_train, Y_predicted)
 print("Train:")
@@ -25,5 +24,11 @@ print(eval_result[1])
 
 Y_predicted = bayes.predict(X_test)
 eval_result = bayes.eval(Y_test, Y_predicted)
+
 print("Test:")
 print(eval_result[1])
+
+#Result preview
+# for i in range(100):
+#     print(f"Expected: {Y_test.to_numpy()[i]}\tPred: {Y_predicted[i]}")
+DataPreparator.print_df_info(data)