بتل کد Battle Codeدارد باز می‌شود…

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