C· ByggareProjekt· ca 90 min· wasm
Projekt 1: Lär en dator känna igen mönster
Bygga en klassificerare av frukter från två mått (vikt, färgvärde) helt för hand: features, avstånd, närmaste granne, träffsäkerhet och felanalys.
Lär ut: teachable-machine-projekt · Kräver: klassificering-intuitionpython-listor-och-loopar
Teori
Varje frukt är en punkt (vikt, färg). En ny frukt får samma etikett som sin närmaste granne. Träffsäkerhet mäts på frukter modellen inte sett — och de fel den gör säger mer än siffran.
Deluppgifter
- features — `features(frukt)` → [vikt, farg] som tal ur en dict.
- avstånd och närmaste — `avstand(a, b)` (euklidiskt) och `narmaste(punkt, traning)` → etiketten för närmaste träningsfrukt.
- träffsäkerhet — `traffsakerhet(traning, test)` → andel rätt.
- felanalys — `felanalys(traning, test)` → dict {(rätt, gissat): antal} för felen — vilka frukter blandas ihop?
Evals: traffsakerhet (accuracy >= 0.8)
Logga in för att köra laborationen.
Förväntade resultat
Träffsäkerhet ≥ 0,8 på testfrukterna; felanalysen visar att äpple och päron blandas ihop oftast (de liknar varandra i vikt).
Vanliga fel
- Jämför färg (0–1) och vikt (gram) utan att tänka på skalan — vikten dominerar avståndet. Testa att skala!
- Räknar in testfrukten själv bland grannarna.