ftn-ai-lab / ori-2018-e2 Goto Github PK

Pacavra Stefan RA183/2014

Problem koji se rešava?
Klasifikacija odela na osnovu cene i ocene na dobro, srednje i lose, na bodovnoj skali 0-30;
Los kvalitet odela 1-4 bodova;
Srednji kvalitet odela 5-7 bodova;
Dobar kvalitet odela 8-10 bodova;

Pronasao sam dataset online i u njemu su navedeni i ostali atributi odela.
Link dataseta: https://archive.ics.uci.edu/ml/datasets/Dresses_Attribute_Sales

Algoritmi za koriscenje:
Naivni Bajes i neuronske mreze.

Validacija resenja:
Merice se procentualna tacnost klasifikacije kvaliteta odela,
Izdvojice se veci broj odela iz dataseta za ucenje a ostatak ce se odvojiti za klasifikaciju.

Repozitorijum: https://github.com/50pace/klasifikacijaOdela.git

• Članovi tima:
  Aleksandar Škrbić RA153-2015, Grupa 9.
  Asistent : Miroslav Kondić
  @miroslavftn

• Problem koji se rešava:
  Problem koji se rešava je predikcija potrošnje automobila, mpg(miles per gallon), na osnovu pojedinih atributa automobila (broj cilindara, prenos, hp, težina, ubrazanje, godina proizvodnje, poreklo...).

• Alogritmi koji će se koristiti:
  Klasična višestruka regresija, Ridge, Lasso, ElasticNet, koje ću sam implementirati. Pored ovih metoda odradiću poređenje rezultata standardnih regresionih metoda sa rezultatima boosting algoritmima (AdaBoost, RandomForest, ExtraTree...).

• Metrika za poređenje performansi algoritama i/ili parametara algoritma:

  1. Coefficient of determination (R Squared) - najbolji mogući rezultat je 1.0, može biti i negativan
  2. Mean Absolute Error - što je manja vrednost, model je bolji
  3. Explained Variance Score - najbolji mogući rezultat je 1.0, što je manji model je lošiji

• Podaci koji se koriste:
  Dataset je preuzet sa kaggle-a: https://www.kaggle.com/uciml/autompg-dataset
  Potrebno je malo obraditi dataset, jer se u pojedinim kolonama nalaze znakovi, gde bi trebale biti numeričke vrednosti.

• Validacija rešenja:
  Dataset će biti podeljen na train i test set, pa će se samim tim validacija rešenja vršiti nad test setom.