Машинное обучение

4.2. Разработка приложения для решения задач кластеризации

4.2.1. Требования к приложению

Также в рамках данной лабораторной работы предлагается разработать приложение для кластеризации точек методом центров тяжести. К приложению предъявляются следующие требования:

1. Загрузка данных из файла, имя которого указывается в качестве параметра командной строки.
2. Выполнение кластеризации на заданное (в виде аргумента командной строки) число кластеров.
3. Визуализация кластеризации в двумерном пространстве.

4.2.2. Структура приложения

Приложение будет состоять из двух модулей: основной (main.cpp) и модуль визуализации (drawingFunctions.cpp/h). Функции визуализации предоставляются в готовом виде и аналогичны описанным в разделе 4.1.2.

В основном модуле должна выполняться следующая последовательность действий:

1. Загрузка данных для кластеризации из файла.
2. Выполнение кластеризации методом центров тяжести на указанное количество кластеров.
3. Визуализация результата.

Код, необходимый для загрузки и визуализации предоставляется в готовом виде, следовательно, требуется лишь написать вызов функции кластеризации kmeans.

После того, как код основного модуля будет дописан, предлагается запустить программу на предоставленных наборах данных (dataset1.yml, dataset2.yml, dataset3.yml, dataset4.yml) и проанализировать полученные результаты.

5. Контрольные вопросы

1. Для чего в алгоритме опорных векторов применяются ядра?
2. Какой эффект можно наблюдать при использовании машины опорных векторов с радиальным ядром с большим значением параметра ?
3. Каким образом дерево решений разбивает пространство признаков?
4. Для чего к деревьям решений применяется процедура отсечений?
5. Применяются ли отсечения к деревьям решений в составе случайного леса?
6. Происходит ли переобучение при увеличении количества деревьев в случайном лесе?
7. Происходит ли переобучение при увеличении количества деревьев в модели градиентного бустинга?
8. В чем заключается идея метода центров тяжести?

6. Дополнительные задания

1. Реализуйте возможность сохранения и загрузки обученной модели в приложении для решения задач классификации.
2. Реализуйте функцию вычисления матрицы ошибок классификации , где элемент равен количеству прецедентов выборки принадлежащих к классу и отнесенных алгоритмом классификации к классу .
3. Реализуйте метод перекрестного контроля для подбора параметров алгоритмов обучения.