Mathesis Wiki

Diese Seite ist nicht editierbar. Sie können den Quelltext sehen, jedoch nicht verändern. Kontaktieren Sie den Administrator, wenn Sie glauben, dass hier ein Fehler vorliegt.

  * Ausbesserung von Fehlern 
Da der k-nearest-Neighbor-Algorithmus sehr ungenau ist, normalisieren wir die Vektoren des Datensatz, was die Genauigkeit des Algorithmus signifikant steigert.
  * Normalisierung des MNIST-Datensatz nach dem Einlesen
<code python>
def abstand(vektor1, vektor2):
	v1=vektor1/np.linalg.norm(vektor1)
	v2=vektor2/np.linalg.norm(vektor2)
	abstand=np.linalg.norm(v1-v2)
	return abstand
</code>
Dadurch wird der Algorithmus zwar sehr genau, da die Daten aber erst von dem Programm normalisiert werden, wird das Programm sehr langsam. Aus diesem Grund wollen wir den Datensatz schon vor dem Einlesen in das Programm normalisieren.
  * **Erweiterung der main-Funktion**
      * Aufsplitten des Datensatz in zehntausend Test- und sechzigtausend Vergleichsdaten 
      * Ausgabe des labels von der untersuchten Zahl
<code python>
def main(k):
	daten=mat['data']
	choice=np.random.choice(70000,10000, replace=False)
	test=daten[:,choice].copy()
	datenkurz=np.delete(daten,choice,axis=1)
	zahllang=mat['label']
	labels=zahllang[:,choice].copy()
	zahl=np.delete(zahllang,choice,axis=1)
	for i in range(10000-1):
		zahlen=[]
		abstaende=nachbarn(test[:,i], datenkurz)
		for z in range(k-1):
			zahlen.append(int(zahl[0, abstaende[z][1]]))
		print "Die Zahl ist: ", zugehoerigkeit(zahlen,k), " Label:" , labels[0][i]
main(int(10))
</code>

Die Aufteilung des Datensatz in zehntausend Test- und sechzigtausend Vergleichsdaten erfolgt, um zu Überprüfen ob der k-nearest-Neighbor-Algorithmus die richtigen Zahlen zuordnet. Des Weiteren wollen wir wissen für welches k die bestmögliche Genauigkeit erzielt wird. Bei k=10 hatte der Algorithmus die optimalste Genauigkeit.

Mathesis Wiki

Benutzer-Werkzeuge

Webseiten-Werkzeuge

Seiten-Werkzeuge