refactor: Generierung von Testdaten ausgelagert

5527c9a6 · Simon Adick · 28e4bc79 · 5527c9a6 · 5527c9a6 · 5527c9a6
Commit 5527c9a6 authored 1 year ago by Simon Adick
--- a/aufgaben/p4/feature_plot.ipynb
+++ b/aufgaben/p4/feature_plot.ipynb
@@ -31,7 +31,7 @@
   "source": [
    "%matplotlib notebook\n",
    "import matplotlib.pyplot as plotter\n",
-    "from aufgaben.p4.binary_classification import binary_classification_feature\n",
+    "from aufgaben.p4.testdata import binary_classification_feature\n",
    "\n",
    "joggen_feature, kniebeuge_feature = binary_classification_feature(150)\n",
    "\n",

 %% Cell type:code id: tags:

 ``` python
 %matplotlib notebook
 import matplotlib.pyplot as plotter
-from aufgaben.p4.binary_classification import binary_classification_feature
+from aufgaben.p4.testdata import binary_classification_feature

 joggen_feature, kniebeuge_feature = binary_classification_feature(150)

 plotter.plot(range(len(joggen_feature)), joggen_feature, label="Joggen Standardabweichung", linewidth=1)
 plotter.plot(range(len(kniebeuge_feature)), kniebeuge_feature, label="Kniebeuge Standardabweichung", linewidth=1)

 plotter.legend()
 plotter.show()
 ```

 %% Output



 %% Cell type:code id: tags:

 ``` python
 ```

--- a/aufgaben/p4/binary_classification.py
+++ b/aufgaben/p4/binary_classification.py
+from math import floor
+
 from features.moving_feature import moving_feature
 from features.standard_deviation import standard_deviation
 from korpus import create_bewegung

+CLASS_JOGGEN = 1
+CLASS_KNIEBEUGE = -1

-def binary_classification_feature(window_size=30):
+TRAINING_DATA_PERCENTAGE = 0.9
+
+DATA_LIMIT = 1000
+DATA_LIMIT_PER_TYPE = floor(DATA_LIMIT / 2)

+
+def binary_classification_feature(window_size=30):
    # Wir holen uns den Höhensensor des Fußes (Bleibt bei Kniebeugen gleich und bewegt sich beim Laufen)
    joggen_values = create_bewegung('joggen').messungen[1].sensoren[1].werte
    kniebeuge_values = create_bewegung('kniebeuge').messungen[1].sensoren[1].werte
@@ -16,5 +25,28 @@ def binary_classification_feature(window_size=30):
    return joggen_feature, kniebeuge_feature


-if __name__ == '__main__':
-    binary_classification_feature(30)
+def get_labeled_testdata():
+    # Hole die aus den Sensordaten berechneten Merkmale
+    joggen_feature, kniebeuge_feature = binary_classification_feature(150)
+
+    # Wir nehmen nur DATA_LIMIT an Daten (sonst ist K-Nearest-Neighbors zu langsam)
+    joggen_feature = joggen_feature[: min(DATA_LIMIT_PER_TYPE, len(joggen_feature))]
+    kniebeuge_feature = kniebeuge_feature[: min(DATA_LIMIT_PER_TYPE, len(kniebeuge_feature))]
+
+    # Wandel Liste an Merkmalen in einzelne Merkmalsvektoren um
+    joggen_vector = ([element] for element in joggen_feature)
+    kniebeugen_vector = ([element] for element in kniebeuge_feature)
+
+    # Weise den Trainingsdaten eine Klasse zu
+    # 0 = Kniebeuge, 1 = Joggen
+    training_data_joggen = list(zip(joggen_vector, [CLASS_JOGGEN] * len(joggen_feature)))
+    training_data_kniebeuge = list(zip(kniebeugen_vector, [CLASS_KNIEBEUGE] * len(kniebeuge_feature)))
+
+    # Wir nehmen 90 % der Testdaten zum Trainieren und 10 % zum Testen
+    delimiter_joggen = floor(len(joggen_feature) * TRAINING_DATA_PERCENTAGE)
+    delimiter_kniebeuge = floor(len(kniebeuge_feature) * TRAINING_DATA_PERCENTAGE)
+
+    training_data = training_data_joggen[:delimiter_joggen] + training_data_kniebeuge[:delimiter_kniebeuge]
+    test_data = training_data_joggen[delimiter_joggen:] + training_data_kniebeuge[delimiter_kniebeuge:]
+
+    return test_data, training_data
--- a/aufgaben/p5/apply_pla.py
+++ b/aufgaben/p5/apply_pla.py
 import random
-from math import floor

 import numpy

 from algorithm.pla.perceptron import Perceptron
 from algorithm.pla.perceptron_learning_algorithm import train
-from aufgaben.p4.binary_classification import binary_classification_feature
+from aufgaben.p4.testdata import get_labeled_testdata, CLASS_JOGGEN, CLASS_KNIEBEUGE
 from aufgaben.p6.error_rate import ErrorRate

-TRAINING_DATA_PERCENTAGE = 0.9
-
-CLASS_JOGGEN = 1
-CLASS_KNIEBEUGE = -1
-

 def apply_pla():
-    # Hole die aus den Sensordaten berechneten Merkmale
-    joggen_feature, kniebeuge_feature = binary_classification_feature(150)
-
-    # Wandel Liste an Merkmalen in einzelne Merkmalsvektoren um
-    joggen_vector = ([element] for element in joggen_feature)
-    kniebeugen_vector = ([element] for element in kniebeuge_feature)
-
-    # Weise den Trainingsdaten eine Klasse zu
-    # 0 = Kniebeuge, 1 = Joggen
-    training_data_joggen = list(zip(joggen_vector, [CLASS_JOGGEN] * len(joggen_feature)))
-    training_data_kniebeuge = list(zip(kniebeugen_vector, [CLASS_KNIEBEUGE] * len(kniebeuge_feature)))
-
-    # Wir nehmen 90 % der Testdaten zum Trainieren und 10 % zum Testen
-    delimiter_joggen = floor(len(joggen_feature) * TRAINING_DATA_PERCENTAGE)
-    delimiter_kniebeuge = floor(len(kniebeuge_feature) * TRAINING_DATA_PERCENTAGE)
-
-    training_data = training_data_joggen[:delimiter_joggen] + training_data_kniebeuge[:delimiter_kniebeuge]
-    test_data = training_data_joggen[delimiter_joggen:] + training_data_kniebeuge[delimiter_kniebeuge:]
+    test_data, training_data = get_labeled_testdata()

    # Erstelle ein Perzeptron
    weights = [random.random()]
@@ -52,7 +29,10 @@ def apply_pla():
    # Berechne den Grenzwert, ab wann ein Feature anders eingeordnet wird
    grenzwert = - perceptron.weights[0] / perceptron.weights[1]

-    return joggen_feature[delimiter_joggen:], kniebeuge_feature[delimiter_kniebeuge:], grenzwert
+    joggen_test_data = filter(lambda pair: pair[1] == CLASS_JOGGEN, test_data)
+    kniebeuge_test_data = filter(lambda pair: pair[1] == CLASS_KNIEBEUGE, test_data)
+
+    return [i[0] for i in joggen_test_data], [i[0] for i in kniebeuge_test_data], grenzwert


 if __name__ == '__main__':

--- a/aufgaben/p5/draw_results.ipynb
+++ b/aufgaben/p5/draw_results.ipynb
@@ -2,27 +2,26 @@
 "cells": [
  {
   "cell_type": "code",
-   "execution_count": 2,
+   "execution_count": 1,
   "metadata": {
    "collapsed": true,
    "ExecuteTime": {
-     "start_time": "2023-05-08T13:13:53.998397Z",
-     "end_time": "2023-05-08T13:14:23.437026Z"
+     "start_time": "2023-05-21T01:33:55.307530Z",
+     "end_time": "2023-05-21T01:33:57.564890Z"
    }
   },
   "outputs": [
    {
-     "ename": "KeyboardInterrupt",
-     "evalue": "",
+     "ename": "TypeError",
+     "evalue": "slice indices must be integers or None or have an __index__ method",
     "output_type": "error",
     "traceback": [
      "\u001B[1;31m---------------------------------------------------------------------------\u001B[0m",
-      "\u001B[1;31mKeyboardInterrupt\u001B[0m                         Traceback (most recent call last)",
-      "\u001B[1;32m<ipython-input-2-dc2cba0b48b6>\u001B[0m in \u001B[0;36m<module>\u001B[1;34m\u001B[0m\n\u001B[0;32m      3\u001B[0m \u001B[1;32mimport\u001B[0m \u001B[0mmatplotlib\u001B[0m\u001B[1;33m.\u001B[0m\u001B[0mpyplot\u001B[0m \u001B[1;32mas\u001B[0m \u001B[0mplotter\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m      4\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[1;32m----> 5\u001B[1;33m \u001B[0mjoggen\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mkniebeuge\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mgrenzwert\u001B[0m  \u001B[1;33m=\u001B[0m \u001B[0mapply_pla\u001B[0m\u001B[1;33m(\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0m\u001B[0;32m      6\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m      7\u001B[0m \u001B[0mplotter\u001B[0m\u001B[1;33m.\u001B[0m\u001B[0mscatter\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mjoggen\u001B[0m\u001B[1;33m,\u001B[0m \u001B[1;33m[\u001B[0m\u001B[1;36m0\u001B[0m\u001B[1;33m]\u001B[0m \u001B[1;33m*\u001B[0m \u001B[0mlen\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mjoggen\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mlabel\u001B[0m\u001B[1;33m=\u001B[0m\u001B[1;34m\"Joggen\"\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n",
-      "\u001B[1;32mD:\\Informatik-Workspace\\PyCharm\\FH-Münster\\MEML\\aufgaben\\p5\\apply_pla.py\u001B[0m in \u001B[0;36mapply_pla\u001B[1;34m()\u001B[0m\n\u001B[0;32m     32\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     33\u001B[0m     \u001B[1;31m# Trainiere das Perzeptron\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[1;32m---> 34\u001B[1;33m     \u001B[0mtrain\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mperceptron\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mtraining_data\u001B[0m\u001B[1;33m,\u001B[0m \u001B[1;36m300\u001B[0m\u001B[1;33m,\u001B[0m \u001B[1;36m0.1\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0m\u001B[0;32m     35\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     36\u001B[0m     \u001B[1;31m# Vergleiche alle Ergebnisse mit der erwarteten Klasse\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n",
-      "\u001B[1;32mD:\\Informatik-Workspace\\PyCharm\\FH-Münster\\MEML\\algorithm\\pla\\perceptron_learning_algorithm.py\u001B[0m in \u001B[0;36mtrain\u001B[1;34m(perceptron, training_data, max_iterations, learning_rate)\u001B[0m\n\u001B[0;32m     15\u001B[0m         \u001B[0mwrong_classifications\u001B[0m \u001B[1;33m=\u001B[0m \u001B[1;33m[\u001B[0m\u001B[1;33m]\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     16\u001B[0m         \u001B[1;32mfor\u001B[0m \u001B[0mfeatures\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mcorrect_class\u001B[0m \u001B[1;32min\u001B[0m \u001B[0mtraining_data\u001B[0m\u001B[1;33m:\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[1;32m---> 17\u001B[1;33m             \u001B[0mresult\u001B[0m \u001B[1;33m=\u001B[0m \u001B[0mperceptron\u001B[0m\u001B[1;33m.\u001B[0m\u001B[0mclassify\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mfeatures\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0m\u001B[0;32m     18\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     19\u001B[0m             \u001B[1;31m# Falls das Ergebnis falsch ist, merken wir uns die Ergebnisse\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n",
-      "\u001B[1;32mD:\\Informatik-Workspace\\PyCharm\\FH-Münster\\MEML\\algorithm\\pla\\perceptron.py\u001B[0m in \u001B[0;36mclassify\u001B[1;34m(self, features)\u001B[0m\n\u001B[0;32m     24\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     25\u001B[0m         \u001B[1;31m# Multipliziere die transponierten mit dem Merkmalsvektor\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[1;32m---> 26\u001B[1;33m         \u001B[0mresult\u001B[0m \u001B[1;33m=\u001B[0m \u001B[0mnumpy\u001B[0m\u001B[1;33m.\u001B[0m\u001B[0mmatmul\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mtransposed_weights\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mall_features\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0m\u001B[0;32m     27\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     28\u001B[0m         \u001B[1;31m# Wende die Aktivierungsfunktion auf das Ergebnis an\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n",
-      "\u001B[1;31mKeyboardInterrupt\u001B[0m: "
+      "\u001B[1;31mTypeError\u001B[0m                                 Traceback (most recent call last)",
+      "\u001B[1;32m<ipython-input-1-dc2cba0b48b6>\u001B[0m in \u001B[0;36m<module>\u001B[1;34m\u001B[0m\n\u001B[0;32m      3\u001B[0m \u001B[1;32mimport\u001B[0m \u001B[0mmatplotlib\u001B[0m\u001B[1;33m.\u001B[0m\u001B[0mpyplot\u001B[0m \u001B[1;32mas\u001B[0m \u001B[0mplotter\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m      4\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[1;32m----> 5\u001B[1;33m \u001B[0mjoggen\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mkniebeuge\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mgrenzwert\u001B[0m  \u001B[1;33m=\u001B[0m \u001B[0mapply_pla\u001B[0m\u001B[1;33m(\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0m\u001B[0;32m      6\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m      7\u001B[0m \u001B[0mplotter\u001B[0m\u001B[1;33m.\u001B[0m\u001B[0mscatter\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mjoggen\u001B[0m\u001B[1;33m,\u001B[0m \u001B[1;33m[\u001B[0m\u001B[1;36m0\u001B[0m\u001B[1;33m]\u001B[0m \u001B[1;33m*\u001B[0m \u001B[0mlen\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mjoggen\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mlabel\u001B[0m\u001B[1;33m=\u001B[0m\u001B[1;34m\"Joggen\"\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n",
+      "\u001B[1;32mD:\\Informatik-Workspace\\PyCharm\\FH-Münster\\MEML\\aufgaben\\p5\\apply_pla.py\u001B[0m in \u001B[0;36mapply_pla\u001B[1;34m()\u001B[0m\n\u001B[0;32m     10\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     11\u001B[0m \u001B[1;32mdef\u001B[0m \u001B[0mapply_pla\u001B[0m\u001B[1;33m(\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m:\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[1;32m---> 12\u001B[1;33m     \u001B[0mtest_data\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mtraining_data\u001B[0m \u001B[1;33m=\u001B[0m \u001B[0mget_labeled_testdata\u001B[0m\u001B[1;33m(\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0m\u001B[0;32m     13\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     14\u001B[0m     \u001B[1;31m# Erstelle ein Perzeptron\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n",
+      "\u001B[1;32mD:\\Informatik-Workspace\\PyCharm\\FH-Münster\\MEML\\aufgaben\\p4\\testdata.py\u001B[0m in \u001B[0;36mget_labeled_testdata\u001B[1;34m()\u001B[0m\n\u001B[0;32m     13\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     14\u001B[0m     \u001B[1;31m# Wir nehmen nur DATA_LIMIT an Daten (sonst ist K-Nearest-Neighbors zu langsam)\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[1;32m---> 15\u001B[1;33m     \u001B[0mjoggen_feature\u001B[0m \u001B[1;33m=\u001B[0m \u001B[0mjoggen_feature\u001B[0m\u001B[1;33m[\u001B[0m\u001B[1;33m:\u001B[0m \u001B[0mmin\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mDATA_LIMIT\u001B[0m\u001B[1;33m/\u001B[0m\u001B[1;36m2\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mlen\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mjoggen_feature\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m]\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0m\u001B[0;32m     16\u001B[0m     \u001B[0mkniebeuge_feature\u001B[0m \u001B[1;33m=\u001B[0m \u001B[0mkniebeuge_feature\u001B[0m\u001B[1;33m[\u001B[0m\u001B[1;33m:\u001B[0m \u001B[0mmin\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mDATA_LIMIT\u001B[0m \u001B[1;33m/\u001B[0m \u001B[1;36m2\u001B[0m\u001B[1;33m,\u001B[0m \u001B[0mlen\u001B[0m\u001B[1;33m(\u001B[0m\u001B[0mkniebeuge_feature\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m)\u001B[0m\u001B[1;33m]\u001B[0m\u001B[1;33m\u001B[0m\u001B[1;33m\u001B[0m\u001B[0m\n\u001B[0;32m     17\u001B[0m \u001B[1;33m\u001B[0m\u001B[0m\n",
+      "\u001B[1;31mTypeError\u001B[0m: slice indices must be integers or None or have an __index__ method"
     ]
    }
   ],
@@ -49,8 +48,8 @@
   "metadata": {
    "collapsed": false,
    "ExecuteTime": {
-     "start_time": "2023-05-08T13:14:23.437026Z",
-     "end_time": "2023-05-08T13:14:23.453023Z"
+     "start_time": "2023-05-21T01:33:57.533653Z",
+     "end_time": "2023-05-21T01:33:57.564890Z"
    }
   }
  }

 %% Cell type:code id: tags:

 ``` python
 from aufgaben.p5.apply_pla import apply_pla
 %matplotlib notebook
 import matplotlib.pyplot as plotter

 joggen, kniebeuge, grenzwert  = apply_pla()

 plotter.scatter(joggen, [0] * len(joggen), label="Joggen")
 plotter.scatter(kniebeuge, [0] * len(kniebeuge), label="Kniebeuge")
 plotter.scatter(grenzwert, [0], label="Grenzwert")

 plotter.legend()
 plotter.show()
 ```

 %% Output

    ---------------------------------------------------------------------------
-    KeyboardInterrupt                         Traceback (most recent call last)
-    <ipython-input-2-dc2cba0b48b6> in <module>
+    TypeError                                 Traceback (most recent call last)
+    <ipython-input-1-dc2cba0b48b6> in <module>
          3 import matplotlib.pyplot as plotter
          4
    ----> 5 joggen, kniebeuge, grenzwert  = apply_pla()
          6
          7 plotter.scatter(joggen, [0] * len(joggen), label="Joggen")
    D:\Informatik-Workspace\PyCharm\FH-Münster\MEML\aufgaben\p5\apply_pla.py in apply_pla()
-         32
-         33     # Trainiere das Perzeptron
-    ---> 34     train(perceptron, training_data, 300, 0.1)
-         35
-         36     # Vergleiche alle Ergebnisse mit der erwarteten Klasse
-    D:\Informatik-Workspace\PyCharm\FH-Münster\MEML\algorithm\pla\perceptron_learning_algorithm.py in train(perceptron, training_data, max_iterations, learning_rate)
-         15         wrong_classifications = []
-         16         for features, correct_class in training_data:
-    ---> 17             result = perceptron.classify(features)
-         18
-         19             # Falls das Ergebnis falsch ist, merken wir uns die Ergebnisse
-    D:\Informatik-Workspace\PyCharm\FH-Münster\MEML\algorithm\pla\perceptron.py in classify(self, features)
-         24
-         25         # Multipliziere die transponierten mit dem Merkmalsvektor
-    ---> 26         result = numpy.matmul(transposed_weights, all_features)
-         27
-         28         # Wende die Aktivierungsfunktion auf das Ergebnis an
-    KeyboardInterrupt:
+         10
+         11 def apply_pla():
+    ---> 12     test_data, training_data = get_labeled_testdata()
+         13
+         14     # Erstelle ein Perzeptron
+    D:\Informatik-Workspace\PyCharm\FH-Münster\MEML\aufgaben\p4\testdata.py in get_labeled_testdata()
+         13
+         14     # Wir nehmen nur DATA_LIMIT an Daten (sonst ist K-Nearest-Neighbors zu langsam)
+    ---> 15     joggen_feature = joggen_feature[: min(DATA_LIMIT/2, len(joggen_feature))]
+         16     kniebeuge_feature = kniebeuge_feature[: min(DATA_LIMIT / 2, len(kniebeuge_feature))]
+         17
+    TypeError: slice indices must be integers or None or have an __index__ method

 %% Cell type:code id: tags:

 ``` python
 ```