Benutzer-Werkzeuge
ss16:07.07.2016
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen gezeigt.
| Beide Seiten der vorigen Revision Vorhergehende Überarbeitung Nächste Überarbeitung | Vorhergehende Überarbeitung | ||
|
ss16:07.07.2016 [2016/07/07 16:28] henrikfrenzel |
ss16:07.07.2016 [2016/07/07 16:46] (aktuell) henrikfrenzel |
||
|---|---|---|---|
| Zeile 4: | Zeile 4: | ||
| === Ziele: === | === Ziele: === | ||
| * knn-Algorithmus von scikit-learn für MNIST-Datensatz implementieren | * knn-Algorithmus von scikit-learn für MNIST-Datensatz implementieren | ||
| - | |||
| <code python> | <code python> | ||
| from __future__ import division | from __future__ import division | ||
| Zeile 33: | Zeile 32: | ||
| zahl=zahl.reshape((trainingsize,)) | zahl=zahl.reshape((trainingsize,)) | ||
| </code> | </code> | ||
| - | Aus Laufzeitgründen haben wir den Datensatz verkleinert. | + | Da der Algorithmus von sklearn mit einem anderen shape arbeitet als der MNIST-Datensatz, musste wir den Datensatz transponieren. Außerdem haben wir aus Laufzeitgründen den Datensatz verkleinert. |
| - | == Ausgabe der Genauigkeit: == | + | === Ausgabe der Genauigkeit: === |
| <code python> | <code python> | ||
| clf = neighbors.KNeighborsClassifier(k) | clf = neighbors.KNeighborsClassifier(k) | ||
| clf.fit(datenkurz, zahl) | clf.fit(datenkurz, zahl) | ||
| - | clf.predict(test) | ||
| print clf.score(test,labels) | print clf.score(test,labels) | ||
| </code> | </code> | ||
| - | === Genauigkeit in Abhängigkeit von k: === | + | == Genauigkeit in Abhängigkeit von k: == |
| {{ :ss16:printme.png |}} | {{ :ss16:printme.png |}} | ||
| Der Algorithmus ist bei k von 6-9 am genausten. Aus diesem Grund haben wir uns für k=8 entschieden. | Der Algorithmus ist bei k von 6-9 am genausten. Aus diesem Grund haben wir uns für k=8 entschieden. | ||
| + | |||
| + | === Support Vector Classification(SVC): === | ||
| + | <code python> | ||
| + | for i in range(2): | ||
| + | if i==0: | ||
| + | clf = neighbors.KNeighborsClassifier(8) | ||
| + | if i==1: | ||
| + | clf = svm.SVC() | ||
| + | t1=time.clock() | ||
| + | clf.fit(datenkurz, zahl) | ||
| + | Genauigkeit=clf.score(test,labels) | ||
| + | t2=time.clock() | ||
| + | zeit=t2-t1 | ||
| + | |||
| + | print "Genauigkeit: ", Genauigkeit, "Zeit: ", zeit | ||
| + | </code> | ||
| + | == Ausgabe: == | ||
| + | <code terminal> | ||
| + | Genauigkeit: 0.957 Zeit: 12.72157 #knn | ||
| + | |||
| + | Genauigkeit: 0.955 Zeit: 24.224649 #SVC | ||
| + | </code> | ||
| + | Genauigkeit bei Support Vector Classification und k-nearest-Neighbor-Algorithmus ist ähnlich allerdings ist SVC deutlich langsamer als knn. | ||
ss16/07.07.2016.1467901722.txt.gz · Zuletzt geändert: 2016/07/07 16:28 von henrikfrenzel
Seiten-Werkzeuge
