جواب «Step 3: Pixel k-NN» چالش 3 از جلسهی 32
سؤال
قدم سوم: تابع pixel_distance(a, b) (تعداد پیکسلهای متفاوت) و تابع predict(pixels, train) (برچسب نزدیکترین نمونهی آموزش) را بنویس. برنامه برای یک تصویر «۱» ساده و یک «۴» با نمونههای آموزش کوچک حدس میزند: 1 و 4.
راهنما
pixel_distance: sum(1 for i in range(len(a)) if a[i] != b[i]). predict: حلقه با «کمترین فاصله تا حالا».
یک جواب درست
def flatten(rows):
return [int(ch) for row in rows for ch in row]
train = [
(flatten(["00111100", "01000010", "01000010", "01000010", "01000010", "01000010", "01000010", "00111100"]), 0),
(flatten(["00011000", "00111000", "00011000", "00011000", "00011000", "00011000", "00011000", "00111100"]), 1),
(flatten(["00001000", "00011000", "00101000", "01001000", "01111110", "00001000", "00001000", "00001000"]), 4),
]
test_one = flatten(["00011000", "00011000", "00011000", "00011000", "00011000", "00011000", "00011000", "00011000"])
test_four = flatten(["00001000", "00011000", "00101000", "01001000", "01111110", "00001000", "00001000", "00011000"])
def pixel_distance(a, b):
count = 0
for i in range(len(a)):
if a[i] != b[i]:
count += 1
return count
def predict(pixels, train):
best_label = None
best_d = None
for sample, label in train:
d = pixel_distance(pixels, sample)
if best_d is None or d < best_d:
best_d = d
best_label = label
return best_label
print(predict(test_one, train))
print(predict(test_four, train))
اول خودت امتحان کن؛ جوابهای دیگر هم قبول است. برگرد و خودت حلش کن