Τελική Εξέταση:Σαλμανίδου Μακρίνα

Θέμα 1.

-Από το preprosess και απο το visualize all κάνουμε έναν έλεγχο.

-Βλέπουμε πως δεν βγάζουμε κανένα συμπέρασμα για το αν θα σβήσουμε κάποια μεταβλητή.

-Από το select attributes χρησιμοποιούμε ConsistencySubsetEval και GreedyStepwise.

-Κρατάμε τις 1,2,3,4,6,7,9,12,14,17 και class για το ίδιο αξιόπιστο αποτέλεσμα.

-Δοκιμάζουμε διάφορους αλγορίθμους με βάση το CorrectlyClassifiedInstances.

-Χρησιμοποιούμε LogitBoost ->AdditiveRegresion  με ποσοστό επιτυχίας 74,26%.

-Αφαιρούμε τις ίδιες μεταβλητές από το test set και με το supplied test set παίρνουμε την predicted.

-Οπότε έχουμε μια στήλη μόνο με good και bad.

Θέμα 2.

Με χρήση των αλγορίθμων PART και JRip έχουμε

ELONGATEDNESS <= 41 AND
MAX.LENGTH ASPECT RATIO <= 7 AND
COMPACTNESS > 95: bus (70.0/1.0)

ELONGATEDNESS <= 41 AND
MAX.LENGTH ASPECT RATIO > 7: opel (132.0/65.0)

MAX.LENGTH ASPECT RATIO > 8 AND
HOLLOWS RATIO > 189 AND
SKEWNESS ABOUT_MAJOR > 63: van (107.0/2.0)

(MAX.LENGTH ASPECT RATIO >= 9) and
(DISTANCE CIRCULARITY >= 100) and
(SCALED VARIANCE_MAJOR <= 231) => class =saab (71.0/9.0)

(ELONGATEDNESS >= 43) and
(MAX.LENGTH ASPECT RATIO >= 9) and
(DISTANCE CIRCULARITY >= 73) =>class=van  (86.0/0.0)

Τα παραπάνω δείχνουν τις σωστές και τις λανθασμένες προβλέψεις μέσα στις παρενθέσεις και επιλέχθηκαν λόγω του οτι έχουν τις λιγότερες λάθος προβλέψεις.

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s