Studoši

Lumpy tebi prolazi volleyball primjer u autograderu?

wesley prolazi sve osim titanic (točno stablo nacrta ali malo krive predikcije)

Moze li netko opisati kako je implementirao predict funkciju. Ne uspjeva mi za dosta primjera.

Reznox Uzmes root cvor drveta, pogledas u trenutnoj uzetoj liniji za test koji je value za taj feature iz tog svora, ides dalje po grani koja ima taj value, sad si u iducem cvoru i radis isto, gledas u test datasetu koji je value za taj feature, udes u tu granu, i tako dok ne dodes do zavrsnog znaka i vratis ga. A ako se u test datasetu pojavi za neki feature value za koji nemas granu jer taj value nije postojao u train setu, onda tu stanes i rekurzivno prebrojis sve zavrsne znakove koji su u stablu ispod cvora u kojem si trenutno, i vratis onaj koji je najcesci.

U titanicu trainset izraz: lower_class,male,unknown,under_10,U,no se pojavljuje 53 puta, a isti izraz za klasu no se pojavljuje par puta. Možda je u tome problem sa titanicom? Nisu ništa spominjali za ovakve slučajeve, dakle wtf

Lumpy bila je neka rasprava vezana uz to na teams CourseAssistance, kod sam prilagodila tome sto je asistent rekao (maknula sam rekurziju jer je brisala te dupliće, a cini me se da su oni nuzni za odredivanje “najvjerojatnije” vrijednosti)
al opet, jos uvijek mi ne radi, jedino mi se iz confusion matrix cinilo da je bolje razvrstalo

Fikalo dal se gledaju SVI završni znakovi koji su u razinama ispod tog čvora, ili završni znakovi njegovog podstabla?

Lumpy Bilo bi smijesno da bi nam je opet isti uzrok problema.. Ja sam primjere za treniranje spremao kao Set<List<String>> i pohranjivao ih je samo 256 od 700injak. Proradilo je kad sam pretvorio u List<List<String>>.

him sumnjam jer ja sam to skroz drugačije spremao ali kad sam tvoje sa arraylist stavio, radi mi i stablo. Dobro mi je stablo ali neke predikcije ne valjaju a ne znam zašto

him ček tebi sada sve radi?

wesley kad sam reko svi završni znakovi ispod njega, mislio sam kao baš njegovo podstablo

Fikalo mislim da ja opcenito nesto ne kuzim jer mi nije jasno kako je njihov volleybal s dubinom 1 tocan, kako je moguce da su dobili 1:weather=rainy yes, a ne 1:weather=rainy no?
jer je u njegovom podstablu (yes) jednom i (no) jednom, nebi onda po abecednom poretku trebalo ispasti no?

wesley Onaj odgovor gore je bio za predict funkciju. Za ogranicenu dubinu 1 za volleyball dakle prvo se izracunaju sve te entropije, odabere se weather i sad se ude u weather. Posto je sad dubina– == 0, nece vise dalje ulazit u podcvorove, nego ce odabirat vrijednosti za weather i njih rjesavat. Opcije su cloudy, rainy i sunny i za sve radi isti postupak kao na primjeru za rainy. Znaci fiksiras rainy, i onda gledas koji su najcesci zavrsni za dataset koji sadrzi rainy, a to su podcrtani

Tu ima 3 yes i 2 no, i zato se odabire za rainy yes

Fikalo A za preditct, jednostavno gledas koja je u test datasetu opcija za weather, ako je cloudy vratis yes, rainy isto yes i za sunny no, a ako bi weather imo neku novu vrijednost tipa semi-cloudy, onda bi vratio najcesci zavrsni ispod cvora weather a posto je tu 2 yes i 1 no, uvjek ce vracat yes za nove vrjednosti weather

Fikalo hvala!!!

Lumpy To ti se desava jer je Java “pass by reference” za liste, pa svaka iteracija algoritma pokazuje na isti x/activeFeatures. Zato je stvaranje nove liste rijesilo problem, ovdje imas fino objasnjenje.

Ipak mi grane krivo ispisuje za titanic. Iz nekog razloga prebrojava mi 156 listova, a treba ih biti 400+ . Ima tko ideju u čemu je problem? Radi za sve ostalo

plus, jos sam promijenila da se train set pohrani u listu - da se ne obrisu te duple vrijednosti

wesley ako radiš kao ja i imaš ispis 156 grana, onda je to točno, ipak su odlučili to priznati, znači meni se autograder ne buni za grane ali buni za predictions, vjv sam to krivo napisao

Lumpy sad sam provjerila, meni ispisuje premalo grana, nigdje nemam 156 ili više
koji su mogući razlozi da mi kod “treniranja” modela preskoci neke grane? ima nekih graničnih slučajeva koji su stavljeni u titanic?

Dal se isplati rjesavat ovaj labos ako smo kratki s vremenom? Imam vec prag iz labosa