Projekt na przedmiot Matematyczne podstawy sztucznej inteligencji i cyberbezpieczeństwa

Go to file

patrycjalazna 76f330bf80 quickfix		2021-06-01 12:39:08 +02:00
.gitignore	Notebook	2021-05-26 21:08:58 +02:00
accuracy8.txt	quickfix	2021-06-01 12:39:08 +02:00
accuracy9.txt	quickfix	2021-06-01 12:39:08 +02:00
accuracy.txt	script for random columns added	2021-06-01 00:05:06 +02:00
Bayes.ipynb	quick fix	2021-06-01 12:37:29 +02:00
bayes.py	raw	2021-05-26 15:25:00 +02:00
BPM Boxplot.jpg	quickfix	2021-06-01 12:39:08 +02:00
datapreparator.py	Notebook	2021-05-26 21:08:58 +02:00
main.py	Notebook	2021-05-26 21:08:58 +02:00
music_genre_raw.csv	template	2021-05-26 13:32:48 +02:00
Readme.md	Notebook	2021-05-26 21:08:58 +02:00
requirements.txt	raw	2021-05-26 15:25:00 +02:00
u	quickfix	2021-06-01 12:39:08 +02:00

Readme.md

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