Zadania kontrolne¶

1. Wczytać zbiór banana i dokonać jego losowego podziału na część uczącą, testową i walidacyjną. Przeprowadzić procedurę walidacji klasyfikatora kNN. Podać błąd i sprawność klasyfikatora.

2. Wczytać zbiór banana i dokonać jego losowego podziału na część uczącą, testową i walidacyjną. Przeprowadzić procedurę walidacji klasyfikatora kNN. Podać zwrot i precyję klasyfikatora.

3. Wczytać zbiór banana i dokonać jego losowego podziału na część uczącą i testową. Przeprowadzić procedurę walidacji klasyfikatora Bayesa. Podać wartość miary \(F_1\).

4. Wczytać zbiór banana i dokonać jego losowego podziału na część uczącą i testową. Przeprowadzić procedurę walidacji klasyfikatora Bayesa. Sprawdzić wartość miary \(F_{\gamma}\) dla różnych wartości parametru \(\gamma\).

5. Pobrać zbiór Diabetic ze strony

   https://archive.ics.uci.edu/ml/datasets/Diabetic+Retinopathy+Debrecen+Data+Set

6. Wczytać zbiór Diabetic i dokonać jego losowego podziału na część uczącą, testową i walidacyjną. Przeprowadzić procedurę walidacji liniowego klasyfikatora SVM. Wyświetlić raport podstawowych miar błędu klasyfikacji.

7. Wczytać zbiór Diabetic i dokonać jego losowego podziału na część uczącą, testową i walidacyjną. Na zbiorze walidacyjnym dobrać odpowiednie parametry klasyfikatora SVM z jądrem Gaussa. Dla wybranych parametrów przeprowadzić procedurę testowania klasyfikatora oraz wyświetlić raport podstawowych miar błędu klasyfikacji.

8. Dla zbioru Diabetic i klasyfikatroa SVM z jądrem Gaussa o parametrach jak w poprzednim zadaniu wyznaczyć średni błąd klasyfikacji metodami k-krotnej walidacji krzyżowej i jackknife.

9. Dla zbioru banana dokonać estymacji błędu klasyfikatora Bayesa za pomocą metod k-krotnej walidacji krzyżowej i jackknife (dla 1000 iteracji).

10. Dla zbioru banana dokonać estymacji błędu klasyfikatora kNN za pomocą metod k-krotnej walidacji krzyżowej i jackknife (dla 1000 iteracji). Jako parametr \(k\) klasyfikatora przyjąć pierwiastek z liczby próbek.

11. Dla zbioru Diabetic dokonać estymacji błędu liniowego klasyfikatora SVM dla parametru \(C=1\) za pomocą metod k-krotnej walidacji krzyżowej i jackknife (dla 1000 iteracji).