raspbeep / vut-flp-1-tester Goto Github PK

• Python 3.11

1. Umiestnite flp-fun.hs a Makefile do zlozky s .py subormi.
2. Spustite python3 main.py

• Neda sa celkom definovat prijatelna odchylka od vzoroveho riesenia v druhej casti, kvoli porovnavaniu FP cisel a roznej presnosti v pythone vs haskelli a taktiez kvoli odlisnosti pristupov, resp. vyuzitie inych metod alebo vylepseni.

• Na windows je nutne nastavit ine zalamovanie riadkov, staci vymenit (odkomentovat a zakomentovat) main.py:36-37.

• Testuju sa iba nahodne vektory, za doplenenie edge case-ov alebo za PR s opravami chyb budem rad.

• Na konci vystupov nesmie byt newline (nie je to tak v zadani).

• Testy su IBA orientacne.

Na vyber dalsieho splitu sa vyuziva vypocet gini impurity a nasledna sa vyberie prvy midpoint s najnizsou impurity.

Skript generuje stvorice suborov trainingdata-tree-newdata-classification. Na konci kazdeho suboru je newline.

Vygeneruje sa struktura suborov:

• zlozka ./tests/

  • training_data/ so subormi data_{id} kde id sa inkrementuje s poctom, napr. data_1:

    857.88,230.55,1041.12,498.01,1037.92,654.19,612.74,903.97,1026.55,147.14,Class10
    195.04,630.58,84.49,264.65,679.1,755.53,264.98,1027.58,698.56,436.26,Class4
    455.39,1068.29,587.91,145.0,368.05,247.46,944.34,1023.95,932.45,796.6,Class4
    330.57,749.41,769.63,636.91,197.03,836.98,820.24,440.98,654.48,788.06,Class7
    390.12,877.37,702.6,733.33,927.92,169.15,722.87,475.83,770.99,674.49,Class6
    523.29,280.88,789.01,134.41,358.38,259.73,391.46,457.21,220.92,1105.14,Class6
    444.26,313.48,903.27,380.25,426.05,1162.11,550.87,1067.21,683.33,585.11,Class3
    1137.26,726.15,990.45,99.36,516.06,544.93,618.36,843.65,366.44,217.95,Class10
    363.96,725.92,465.38,454.76,705.19,621.82,899.99,511.56,578.86,295.12,Class1
    460.21,426.03,910.83,836.4,1085.26,991.39,1042.15,584.08,155.16,357.99,Class5
    

  • trees/ so subormi tree_{id} kde id sa inkrementuje s poctom, napr. tree_1:

    Node: 0, 690.585
      Node: 2, 645.255
        Node: 3, 359.705
          Leaf: Class4
          Leaf: Class1
        Node: 5, 548.355
          Leaf: Class6
          Node: 0, 387.415
            Leaf: Class7
            Node: 0, 452.235
              Leaf: Class3
              Leaf: Class5
      Leaf: Class10
    

  • new_data/ so subormi new_data_{id} kde id sa inkrementuje s poctom, napr. new_data_1:

    619.73,975.5,1019.12,271.06,261.95,588.47,241.76,251.74,766.54,210.29
    1017.75,77.7,409.8,793.71,834.6,671.88,220.13,575.43,666.97,1057.76
    241.96,771.85,585.63,241.82,732.23,975.01,851.22,944.36,427.55,399.21
    692.64,651.83,214.88,247.96,605.82,894.72,746.27,535.58,1022.9,649.63
    504.62,183.53,475.66,938.32,674.58,515.39,138.47,360.45,694.56,1032.19
    

  • classifications/ so subormi classification_{id} kde id sa inkrementuje s poctom, napr. classification_1:

    Class5
    Class10
    Class4
    Class10
    Class1
    

1. Vygenerovanie testcase-ov podla parametrov v config.py:
   • N_TESTS
   • FEATURE_SIZE - velkost generovanych vektorov
   • N_SAMPLES_TREE - pocet vektorov, z ktorych sa kontruuje vzorovy strom
   • NEW_DATA_COUNT - pocet novych klasifikovanych vektorov
   • TASK_2_CLASSIFICATIONS - pocet nahodnych vektorov na otestovanie vzoroveho a skontruovaneho stromu
2. Test prvej casti:
   1. Spustenie flp-fun so subormi tree_ID a new_data_ID
   2. kontrola - program by mal spravne vypisat na vystup triedy (klasifikovane vektory podla zadaneho stromu)
3. Test druhej casti:
   1. Spustenie flp-fun so subormi training_data_ID
   2. program by mal vypisat na vystup skontruovany strom
   3. Na skontruovanom a vzorovom stroma sa klasifikuje TASK_2_CLASSIFICATIONS pocet vektorov. Po porovnani sa vypise pocet odlisnych klasifikacii a percento z celkoveho poctu.