taralino

Aufgabe Punkteverteilung

Wir haben uns intensiv mit einem Klassifikationsproblem beschäftigt, welches Eingangssignale bestehend aus zwei Werten (nämlich den x- und y-Koordinaten von Punkten) bezüglich der Farben rot, grün und blau klassifiziert. Nun liegt es an dir, anhand einer Reihe von Aufgaben weitere Erfahrungen zu sammeln.

Im folgenden Quellcode werden Trainings- und Testdaten wie zuvor erzeugt, wobei die Anordnung der Punkte bzw. Klassen geändert wurde (Option shape von mixed geändert in circle).

Zur Referenz

Beispiel

Quellcode als Ausgangspunkt zur Aufgabe.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
</head>
<body>
<script>

// Trainings- und Testdaten erzeugen
var X = ClassificationData.get(2000, {categories:3, shape:"circle"});
var Y = ClassificationData.get(2000, {categories:3, shape:"circle"});

// Trainingsdaten darstellen
Canvas.init([0,1], [0,1], {width:240, background:"lightgrey"});
for (var k = 0; k < X.length; k++) {
  Canvas.circle(X[k].input[0], X[k].input[1], 0.01, {fill:X[k].color});
};

// Neuronales Netz definieren und Trainingsphase starten
NeuralNetwork.init([2, 3]);
NeuralNetwork.progress(X, Y, {iterations:1000, batch_size:10});

/********************************************************
  Die Funktion on_training_done(data) wird aufgerufen,
  wenn die Trainingsphase abgeschlossen ist.
********************************************************/

function on_training_done(data) {
  // Analyse der Trainingsphase als Plot
  var labelx = "Iterationen der Trainingsphase (Anzahl)";
  var labely = "Korrekt klassifizierte Testdaten (Anzahl)";
  Plot.init(640, 320, {axis:[labely,labelx]});
  Plot.list(data, {style:"joined"});
  Plot.draw();
};

</script>
</body>
</html>

Vorschau Download Kopie speichern

Aufgabe

Mache dich mit dem Quellcode zuvor vertraut: Definiere ein Layout und finde Parameter der Trainingsphase, sodass über 90 Prozent der Testdaten korrekt klassifiziert werden.

Erzeuge (nach abgeschlossener Trainingsphase) eine grafische Darstellung der Testdaten, wobei korrekt klassifizierte Punkte in cyan und falsch klassifizierte Punkte in orange dargestellt werden.

Schließlich kannst du auch Erfahrungen mit der Option noise beim Erzeugen der Trainings- und Testdaten sammeln:

Zur Referenz

Quiz

Hast du den Quellcode anpassen können, sodass 90 Prozent der Testdaten korrekt klassifiziert werden?

nein