Measured on What? چالش 6 از جلسهی 48، سخت
تابع report(name, predict) را بنویس. predict یک تابع است که یک تصویر میگیرد و رقم را برمیگرداند. درصد درستها را روی آموزش (X, y) و آزمون (Xt, yt) با یک رقم اعشار حساب کن و یک خط چاپ کن؛ اگر آموزش منهای آزمون بیشتر از ۵ بود بنویس overfitting! وگرنه ok. خروجی: lookup: train 99.5% test 7.0% -> overfitting!، 1-NN: train 99.5% test 89.0% -> overfitting! و 9-NN: train 97.0% test 96.0% -> ok.
import random
import numpy as np
SHAPES = '''
.###. ..#.. .###. ####. #..#. ##### .###. ##### .###. .###.
#...# .##.. #...# ....# #..#. #.... #.... ....# #...# #...#
#...# ..#.. ..##. .###. ##### ####. ####. ...#. .###. .####
#...# ..#.. .#... ....# ...#. ....# #...# ..#.. #...# ....#
.###. .###. ##### ####. ...#. ####. .###. ..#.. .###. .###.
'''
def make_digits(copies, noise, seed):
random.seed(seed)
rows = SHAPES.strip().splitlines()
X, y = [], []
for c in range(copies):
for d in range(10):
pixels = [1.0 if ch == "#" else 0.0 for ch in "".join(r.split()[d] for r in rows)]
for i in random.sample(range(25), noise):
pixels[i] = 1.0 - pixels[i]
X.append(pixels)
y.append(d)
return np.array(X), np.array(y)
X, y = make_digits(20, 2, 1) # 200 training digits
Xt, yt = make_digits(10, 2, 2) # 100 new test digits
table = {}
for i in range(len(X)):
table[tuple(X[i].tolist())] = int(y[i])
def lookup(pixels):
return table.get(tuple(pixels.tolist()), -1)
def knn(x, k):
dist = ((X - x) ** 2).sum(axis=1)
near = dist.argsort(kind="stable")[:k]
votes = {}
for i in near:
votes[int(y[i])] = votes.get(int(y[i]), 0) + 1
return max(votes, key=votes.get)
def report(name, predict):
# train and test: percent of right answers of predict(x), rounded to 1 decimal
# print: name: train ...% test ...% -> overfitting! (if train - test > 5)
# -> ok (otherwise)
pass
report("lookup", lookup)
report("1-NN", lambda x: knn(x, 1))
report("9-NN", lambda x: knn(x, 9))
راهنما و جواب این چالش · برگشت به درس جلسهی 48: بیشبرازش و تعمیم ۱
بیشتر بخوان: تابع در پایتون: آموزش def، پارامتر و return با مثال