Iti0210lab15 - Redigeerimiste ajalugu

PriitJ: /* Ettevalmistus */

2019-05-01T18:03:53Z

Ettevalmistus

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 20:03
48. rida:		48. rida:

	Massiiv <code>X</code> on meil nüüd 2-mõõtmeline, kus sees kõik sensoriandmed, iga rida üks mõõtmine. <code>y</code> on, kas samal ajal inimene oli ruumis või mitte, väärtused 1 ja 0. NumPy massiivide suurust saab vaadata nii: <code>X.shape</code>		Massiiv <code>X</code> on meil nüüd 2-mõõtmeline, kus sees kõik sensoriandmed, iga rida üks mõõtmine. <code>y</code> on, kas samal ajal inimene oli ruumis või mitte, väärtused 1 ja 0. NumPy massiivide suurust saab vaadata nii: <code>X.shape</code>

			[https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Numpy_Python_Cheat_Sheet.pdf NumPy cheat sheet]

	== Treenimine ja testimine ==		== Treenimine ja testimine ==

PriitJ: /* Treenimine ja testimine */

2019-05-01T17:50:04Z

Treenimine ja testimine

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 19:50
84. rida:		84. rida:

	<pre>		<pre>
	def test_model(W, X, y, threshold=0.5):		def test_model(w, X, y, threshold=0.5):
	yhat = W[0] + (W[1:] * X).sum(axis=1) # value from linear model		yhat = w[0] + (w[1:] * X).sum(axis=1) # value from linear model
	ypred = (yhat > threshold).astype(int) # prediction (is somebody in the room?)		ypred = (yhat > threshold).astype(int) # prediction (is somebody in the room?)
	ytrue = (ypred == y).astype(int) # compare to true value		ytrue = (ypred == y).astype(int) # compare to true value
92. rida:		92. rida:
	X_test = normalize(test[:,:5])		X_test = normalize(test[:,:5])
	y_test = normalize(test[:,5])		y_test = normalize(test[:,5])
	print(test_model(W, X_test, y_test))		print(test_model(w, X_test, y_test))
	</pre>		</pre>

102. rida:		102. rida:

	<pre>		<pre>
	def sse_loss(W, X, y):		def sse_loss(w, X, y):
	yhat = W[0] + (W[1:] * X).sum(axis=1)		yhat = w[0] + (w[1:] * X).sum(axis=1)
	err = y - yhat		err = y - yhat
	return np.square(err).sum()		return np.square(err).sum()

PriitJ: /* Logistiline mudel */

2019-05-01T10:50:38Z

Logistiline mudel

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 12:50
121. rida:		121. rida:
	# Kui kasutad <code>sse_loss()</code> funktsiooni, siis ka seal <code>yhat</code> arvutust		# Kui kasutad <code>sse_loss()</code> funktsiooni, siis ka seal <code>yhat</code> arvutust

	Logistiline regressioon SSE ~~kadufunktsiooniga~~ võib õppida üsna aeglaselt. Väike trikk, mida võib teha: Kasuta kaalude uuendamiseks sama gradiendi valemit, nagu lineaarse regressiooni juures (ehk siis, muuda tagasi selliseks nagu enne oli).		Logistiline regressioon SSE kaofunktsiooniga võib õppida üsna aeglaselt. Väike trikk, mida võib teha: Kasuta kaalude uuendamiseks sama gradiendi valemit, nagu lineaarse regressiooni juures (ehk siis, muuda tagasi selliseks nagu enne oli).

	See tähendab sisuliselt, et me ei kasuta enam SSE-d, vaid valisime uue [https://artint.info/2e/html/ArtInt2e.Ch7.S2.SS1.html#Ch7.S2.I4.i2 viisi kadu (''loss'') arvutada].		See tähendab sisuliselt, et me ei kasuta enam SSE-d, vaid valisime uue [https://artint.info/2e/html/ArtInt2e.Ch7.S2.SS1.html#Ch7.S2.I4.i2 viisi kadu (''loss'') arvutada].

PriitJ: /* Ettevalmistus */

2019-05-01T10:21:35Z

Ettevalmistus

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 12:21
25. rida:		25. rida:
	</pre>		</pre>

	Selles harjutuses võiks kasutada [https://scipy.org/install.html NumPy] paketti.		Selles harjutuses võiks kasutada [https://scipy.org/install.html NumPy] paketti. Kui arvutis on juba Anaconda, pole vaja midagi installida.

	Andmete laadimine:		Andmete laadimine:

PriitJ: /* Sissejuhatus */

2019-05-01T10:16:47Z

Sissejuhatus

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 12:16
6. rida:		6. rida:
	* lineaarse mudeli treenimine ''gradient descent'' meetodiga		* lineaarse mudeli treenimine ''gradient descent'' meetodiga
	* klassifitseerimine (logistiline regressioon)		* klassifitseerimine (logistiline regressioon)
			Logistiline regressioon on muuhulgas kasutuses tänapäevaste sügavate närvivõrkude viimases kihis.

	== Ettevalmistus ==		== Ettevalmistus ==

PriitJ: /* Logistiline mudel */

2019-05-01T10:15:00Z

Logistiline mudel

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 12:15
122. rida:		122. rida:
	Logistiline regressioon SSE kadufunktsiooniga võib õppida üsna aeglaselt. Väike trikk, mida võib teha: Kasuta kaalude uuendamiseks sama gradiendi valemit, nagu lineaarse regressiooni juures (ehk siis, muuda tagasi selliseks nagu enne oli).		Logistiline regressioon SSE kadufunktsiooniga võib õppida üsna aeglaselt. Väike trikk, mida võib teha: Kasuta kaalude uuendamiseks sama gradiendi valemit, nagu lineaarse regressiooni juures (ehk siis, muuda tagasi selliseks nagu enne oli).

	See tähendab sisuliselt, et valisime uue [https://artint.info/2e/html/ArtInt2e.Ch7.S2.SS1.html#Ch7.S2.I4.i2 viisi kadu (''loss'') arvutada].		See tähendab sisuliselt, et me ei kasuta enam SSE-d, vaid valisime uue [https://artint.info/2e/html/ArtInt2e.Ch7.S2.SS1.html#Ch7.S2.I4.i2 viisi kadu (''loss'') arvutada].

	== Viited ==		== Viited ==

	Candanedo, L. M., & Feldheim, V. (2016). Accurate occupancy detection of an office room from light, temperature, humidity and CO2 measurements using statistical learning models. ''Energy and Buildings'', 112, 28-39.		Candanedo, L. M., & Feldheim, V. (2016). Accurate occupancy detection of an office room from light, temperature, humidity and CO2 measurements using statistical learning models. ''Energy and Buildings'', 112, 28-39.

PriitJ: /* Logistiline mudel */

2019-05-01T10:14:16Z

Logistiline mudel

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 12:14
120. rida:		120. rida:
	# Kui kasutad <code>sse_loss()</code> funktsiooni, siis ka seal <code>yhat</code> arvutust		# Kui kasutad <code>sse_loss()</code> funktsiooni, siis ka seal <code>yhat</code> arvutust

	Logistiline regressioon SSE kadufunktsiooniga võib õppida üsna aeglaselt. Väike trikk, mida võib teha: Kasuta kaalude uuendamiseks sama gradiendi valemit, nagu lineaarse regressiooni juures. See tähendab sisuliselt, et valisime uue [https://artint.info/2e/html/ArtInt2e.Ch7.S2.SS1.html#Ch7.S2.I4.i2 viisi kadu (''loss'') arvutada].		Logistiline regressioon SSE kadufunktsiooniga võib õppida üsna aeglaselt. Väike trikk, mida võib teha: Kasuta kaalude uuendamiseks sama gradiendi valemit, nagu lineaarse regressiooni juures (ehk siis, muuda tagasi selliseks nagu enne oli).

			See tähendab sisuliselt, et valisime uue [https://artint.info/2e/html/ArtInt2e.Ch7.S2.SS1.html#Ch7.S2.I4.i2 viisi kadu (''loss'') arvutada].

	== Viited ==		== Viited ==

	Candanedo, L. M., & Feldheim, V. (2016). Accurate occupancy detection of an office room from light, temperature, humidity and CO2 measurements using statistical learning models. ''Energy and Buildings'', 112, 28-39.		Candanedo, L. M., & Feldheim, V. (2016). Accurate occupancy detection of an office room from light, temperature, humidity and CO2 measurements using statistical learning models. ''Energy and Buildings'', 112, 28-39.

PriitJ: /* Logistiline mudel */

2019-05-01T10:12:12Z

Logistiline mudel

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 12:12
115. rida:		115. rida:
	Selleks, et logistilist mudelit kasutada, tuleks muuta:		Selleks, et logistilist mudelit kasutada, tuleks muuta:

	# <code>yhat</code> arvutamist <code>~~sgd_fit~~()</code> funktsioonis		# <code>yhat</code> arvutamist <code>fit_sgd()</code> funktsioonis
	# Samas muuta kaalude õppimise valemit		# Samas muuta kaalude õppimise valemit
	# <code>yhat</code> arvutamist <code>test_model()</code> funktsioonis		# <code>yhat</code> arvutamist <code>test_model()</code> funktsioonis

PriitJ: /* Logistiline mudel */

2019-05-01T10:03:21Z

Logistiline mudel

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 12:03
109. rida:		109. rida:
	== Logistiline mudel ==		== Logistiline mudel ==

	Muudame, kuidas ~~lõplik ennustus arvutatakse~~:		Muudame, kuidas mudel ennustuse 1 või 0 arvutab ja kuidas treenitakse:

	[[Image:Iti0210_lab15logistic.png]]		[[Image:Iti0210_lab15logistic.png]]

PriitJ: /* Sissejuhatus */

2019-05-01T10:02:14Z

Sissejuhatus

←Vanem redaktsioon		Redaktsioon: 1. mai 2019, kell 12:02
3. rida:		3. rida:
	== Sissejuhatus ==		== Sissejuhatus ==

	Kasutame ~~lihtsat~~ lineaarset mudelit, et sensorite andmete pealt tuvastada, kas ruumis viibib inimene või mitte [https://archive.ics.uci.edu/ml/datasets/Occupancy+Detection+]. Ülesandes tuleb kirjutada lihtne programm, mis suudab treeningandmed lineaarse mudeliga sobitada ja siis testandmetega kontrollida, kui täpne leitud mudel on. Eesmärgiks saada aru, kuidas töötab:		Kasutame lineaarset mudelit, et sensorite andmete pealt tuvastada, kas ruumis viibib inimene või mitte [https://archive.ics.uci.edu/ml/datasets/Occupancy+Detection+]. Ülesandes tuleb kirjutada lihtne programm, mis suudab treeningandmed lineaarse mudeliga sobitada ja siis testandmetega kontrollida, kui täpne leitud mudel on. Eesmärgiks saada aru, kuidas töötab:
	* lineaarse mudeli treenimine ''gradient descent'' meetodiga		* lineaarse mudeli treenimine ''gradient descent'' meetodiga
	* klassifitseerimine (logistiline regressioon)		* klassifitseerimine (logistiline regressioon)