(TIỂU LUẬN) assignment 2 dữ liệu đầu vào cân nặng của các vận động viên nam và nữ, lấy từ tập dữ liệu athletes csv trên kanggle

Assignment 2: Dữ liệu đầu vào: Cân nặng vận động viên nam nữ, lấy từ tập liệu athletes.csv Kanggle ω1 cân nặng vận động viên nữ ω2 cân nặng vận động viên nam Mơ tả tốn: Dùng bayes, tính likelihood, posterior, risk tập liệu Sau áp dụng luật định bayes, phân loại x (cân nặng) vào lớp phù hợp (nam nữ) Thực toán: Xử lý liệu: Tải liệu lên, sau trích xuất cân nặng vận động viên theo giới tính, lưu vào ω1 ω2  Omega1, omega2 cân nặng vận động viên nam nữ  Samples tập không gian mẫu  Array_x giá trị x xuất samples Xây dựng hàm: Áp dụng: Tính likelihood: Biểu đồ thể hiện: Tính posterior: Từ biểu đồ trên, áp dụng luật định bayes: Tính Risk: Cho hành động α α2: Từ biểu đồ trên, áp dụng luật định bayes: Link source code: https://colab.research.google.com/drive/1spRZFDFZmHWVoxGXGJnA8DO wqgcqAeIY?usp=sharing Assignment 3: I Phân lớp biệt hàm với hàm phân phối chuẩn Biệt hàm gi ( x)=P(ωi|x )= c p ( x|ωi ) P (ωi ) ∑ p (x|ω j )P (ω j ) j=1 ~ gi (x )= p(x∨ωi) P(ωi) gi (x)=ln p(x∨ωi)+ln P(ωi ) Biệt hàm với liệu phân phối chuẩn gi (x )=ln p(x∨ωi)+ ln P(ωi ) (1) p(x )= ¿¿ (2) (1), (2) => gi (x ) ¿− ¿ Tường hợp 1: ∑i =σ2I  |∑i|=σ d , ∑i−1=(1/σ2 ) gi ( x)= g ( x)= i ¿> σ2 Hiện thực: với tập liệu có thuộc tính μ Kết phân lớp: Với tập liệu tổng quát Kết phân lớp Tường hợp 1: ∑i =∑ g ( x)= i −1 gi ( ¿> μT ∑−1 x− i Hiện thực với tập liệu tổng quát Sử dụng Naive Bayes để phân loại hoa Dữ liệu: bao gồm 150 mẫu với thuộc tính(sepal length, sepal width, petal length, petal width) Về Naive Bayes Classifier Công thức bayes P(ωi∨x)= i Với thuộc tính x tính xác suất rơi vào lớp, lớp chọn lớp có xác suất cao  ω=argmax (P (ω|x )) Vì p(x) khơng phụ thuộc vào ω nên ta có: ω=argmax ( p (x|ω )P (ω )) Priori tích dựa xác xuất suất lớp Với giả thiết Naive Bayes, thành phần x độc lập với p ( x|ω) tính: d p ( x|ω)=∏ p (xi|ω) i=1 d ω=argmax (P (ω )∏ p ( xi|ω)) i=1 Dữ liệu phân phối chuẩn => p ( x |ω)được tính i p ( x |ω)=¿ i p (xi | µ, σ) =σ √2 π Hiện thực python https://colab.research.google.com/drive/ 1LUqPObDbjmD6mdVEAK1YI1Ts_vpoFbow?usp=sharing Kết : Kết sử dụng thư viện sklearn: ... với liệu phân phối chuẩn gi (x )=ln p(x∨ωi)+ ln P(ωi ) (1) p(x )= ¿¿ (2) (1), (2) => gi (x ) ¿− ¿ Tường hợp 1: ∑i =σ2I  |∑i|=σ d , ∑i−1=(1/? ?2 ) gi ( x)= g ( x)= i ¿> ? ?2 Hiện thực: với tập liệu. .. 2 Xây dựng hàm: Áp dụng: Tính likelihood: Biểu đồ thể hiện: Tính posterior: Từ biểu đồ trên, áp dụng luật định bayes: Tính Risk: Cho hành động α ? ?2: Từ biểu đồ trên, áp dụng luật... Kết phân lớp: Với tập liệu tổng quát Kết phân lớp Tường hợp 1: ∑i =∑ g ( x)= i −1 gi ( ¿> μT ∑−1 x− i Hiện thực với tập liệu tổng quát Sử dụng Naive Bayes để phân loại hoa Dữ liệu: bao gồm 150