بتل کد Battle Codeدارد باز می‌شود…

جواب «Step 4: Accuracy and Mistakes» چالش 4 از جلسه‌ی 32

سؤال

قدم آخر: با train/test آماده (پیکسل‌ها به شکل رشته‌ی ۶۴ کاراکتری فشرده شده‌اند؛ unpack آن‌ها را به لیست عدد برمی‌گرداند)، برای هر نمونه‌ی آزمون حدس بزن. برای هر اشتباه چاپ کن wrong: real R guessed G و در آخر accuracy A (گرد با دو رقم). برای این داده خروجی باید accuracy 1.0 باشد (هیچ خط wrong ندارد) و بعد یک خط above 80%: True.

راهنما

for packed, real in test: guess = predict(unpack(packed), train)؛ اگر برابر بود correct += 1 وگرنه چاپ wrong. بعد acc = correct / len(test)؛ print("accuracy", round(acc, 2))؛ print("above 80%:", acc > 0.8).

یک جواب درست

def unpack(s):
    return [int(ch) for ch in s]


train = [
    ("0011110001000010010000100100001001000010010000100100001000111100", 0),
    ("0001100000100100010000100100001001000010010000100010010000011000", 0),
    ("0001100000111000000110000001100000011000000110000001100000111100", 1),
    ("0000100000011000000010000000100000001000000010000000100000001000", 1),
    ("0011110001000010000000100000010000001000000100000010000001111110", 2),
    ("0011100001000100000001000000100000010000001000000100000001111110", 2),
    ("0011110001000010000000100001110000000010000000100100001000111100", 3),
    ("0111111000000100000010000001110000000010000000100100001000111100", 3),
    ("0000010000001100000101000010010001000100011111100000010000000100", 4),
    ("0000100000011000001010000100100001111110000010000000100000001000", 4),
]
test = [
    ("0011110001000010010000100100001001000010010000100100011000111100", 0),
    ("0001000000110000000100000001000000010000000100000001000001111100", 1),
    ("0011110001000010000000100000010000011000001000000100000001111110", 2),
    ("0011110001000010000000100000110000000010000000100100001000111100", 3),
    ("0000010000001100000101000010010001111110000001000000010000000100", 4),
]


def pixel_distance(a, b):
    return sum(1 for i in range(len(a)) if a[i] != b[i])


def predict(pixels, train):
    best = None
    best_d = None
    for packed, label in train:
        d = pixel_distance(pixels, unpack(packed))
        if best_d is None or d < best_d:
            best_d = d
            best = label
    return best


correct = 0
for packed, real in test:
    guess = predict(unpack(packed), train)
    if guess == real:
        correct += 1
    else:
        print(f"wrong: real {real} guessed {guess}")
acc = correct / len(test)
print("accuracy", round(acc, 2))
print("above 80%:", acc > 0.8)

اول خودت امتحان کن؛ جواب‌های دیگر هم قبول است. برگرد و خودت حلش کن