diff --git a/aufgaben/p4/binary_classification.py b/aufgaben/p4/binary_classification.py
deleted file mode 100644
index 98d37b94d2937e9c838246c3c4f9a20c0bed0b52..0000000000000000000000000000000000000000
--- a/aufgaben/p4/binary_classification.py
+++ /dev/null
@@ -1,20 +0,0 @@
-from features.moving_feature import moving_feature
-from features.standard_deviation import standard_deviation
-from korpus import create_bewegung
-
-
-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
-
- # Berechne die Standardabweichung (Bei Kniebeugen gering, bei Joggen hoch)
- joggen_feature = moving_feature(standard_deviation, window_size, joggen_values)
- kniebeuge_feature = moving_feature(standard_deviation, window_size, kniebeuge_values)
-
- return joggen_feature, kniebeuge_feature
-
-
-if __name__ == '__main__':
- binary_classification_feature(30)
diff --git a/aufgaben/p4/feature_plot.ipynb b/aufgaben/p4/feature_plot.ipynb
index 9b6705478f25e608bfcb973811216aa90d70657e..480414313f1bd04792d4f70a3d0fc71775216fde 100644
--- 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",
diff --git a/aufgaben/p4/testdata.py b/aufgaben/p4/testdata.py
new file mode 100644
index 0000000000000000000000000000000000000000..27ac0401e1f8cfe34783281635fc5211253f52d3
--- /dev/null
+++ b/aufgaben/p4/testdata.py
@@ -0,0 +1,52 @@
+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
+
+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
+
+ # Berechne die Standardabweichung (Bei Kniebeugen gering, bei Joggen hoch)
+ joggen_feature = moving_feature(standard_deviation, window_size, joggen_values)
+ kniebeuge_feature = moving_feature(standard_deviation, window_size, kniebeuge_values)
+
+ return joggen_feature, kniebeuge_feature
+
+
+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
diff --git a/aufgaben/p5/apply_pla.py b/aufgaben/p5/apply_pla.py
index bbdb7d0c8a1b6af43ce39de42e948c579cfca21c..991f982da6459dbdc62e4e4a201563002c47dff8 100644
--- a/aufgaben/p5/apply_pla.py
+++ b/aufgaben/p5/apply_pla.py
@@ -1,38 +1,15 @@
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__':
diff --git a/aufgaben/p5/draw_results.ipynb b/aufgaben/p5/draw_results.ipynb
index 5c99f5849342916c02c6203ec910d9e1703f251b..3fa3ee91bdf6664d6a9e6d303784247d32283491 100644
--- 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"
}
}
}