CByggareProjekt· ca 90 min· i webbläsaren

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: Projekt: träna en bildklassificerare i webbläsaren

Kräver: Klassificering: hur en modell sorterar informationPython — listor, loopar och dictionaries

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?

Godkänt när: accuracy >= 0.8

Startkoden

körs i din webbläsare

from data import TRANING, TEST


def features(frukt):
    # TODO: [frukt["vikt"], frukt["farg"]]
    ...


def avstand(a, b):
    # TODO: euklidiskt avstånd mellan två featurelistor
    ...


def narmaste(punkt, traning):
    # TODO: etiketten hos den träningsfrukt vars features ligger närmast punkt
    ...


def traffsakerhet(traning, test):
    # TODO: andel av test där narmaste(features(f), traning) == f["etikett"]
    ...


def felanalys(traning, test):
    # TODO: dict {(ratt, gissat): antal} bara för felen
    ...

Du skriver koden, tester du inte ser avgör om den håller. Skapa ett gratis konto för att köra labben.

Prova diagnosen Skapa konto gratis

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.