21 lines
1.2 KiB
Markdown
21 lines
1.2 KiB
Markdown
# 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 | |