SJS/2017/ex05 の変更点

• 追加された行はこの色です。
• 削除された行はこの色です。
• SJS/2017/ex05 へ行く。
• SJS/2017/ex05 の差分を削除

#author("2017-10-14T10:40:10+09:00","default:takataka","takataka")
#author("2017-10-14T10:41:20+09:00","default:takataka","takataka")

*SJS2017 ex05 [#f69bd8f1]


#contents
**これまでの分 [#kbc5dcd1]

- 以前の分を全て報告してokをもらってから，今回分にすすみましょう．


**課題A [#w83b99ab]

最短距離法による顔認識(1)

[[SJS/2017/ex04]] の顔画像を3つのクラス（猫，女性，男性）に分類する識別問題を考え，最短距離法による識別の実験をやってみよう．

- 最短距離法について，[[PIP/2017]] の講義資料，ウェブや書籍で調べなさい
- 次の課題Bで考えるように，本当は「学習データ」と「テストデータ」を分けて実験するべきである．しかし，まずは全データを使ってクラス毎の平均を求めて，それをプロトタイプとして全データを分類するプログラムを作ろう．
- データ毎に「識別されたクラス」，「正解のクラス」を出力するとともに，誤識別率すなわち全データのうち識別を間違えたデータの割合を計算して出力するようにしなさい．

**課題B [#gf539f2d]

最短距離法による顔認識(2)

データを「学習データ」と「テストデータ」に分けて課題Aと同様の実験をしよう．

- 「学習」とは何か，データを「学習データ」と「テストデータ」に分けるのはなぜか，について [[PIP/2017]] の講義資料，ウェブや書籍で調べなさい．
- 231枚の画像からランダムに選んだ 131 枚を学習データ，残りをテストデータとする実験プログラムを作ろう．次の例を参考にしたらよい．

#gist(b50fcbb17eeda2262403fef89b4e42c0);

#pre{{
In [11]: X = np.arange(10).reshape((5,2))

In [12]: X
Out[12]: 
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7],
       [8, 9]])

In [13]: idx = np.random.permutation( X.shape[0] )

In [14]: idx
Out[14]: array([2, 3, 4, 1, 0])

In [15]: idxL, idxT = idx[:3], idx[3:]

In [16]: idxL
Out[16]: array([2, 3, 4])

In [17]: idxT
Out[17]: array([1, 0])

In [18]: XL = X[idxL]

In [19]: XT = X[idxT]

In [20]: XL
Out[20]: 
array([[4, 5],
       [6, 7],
       [8, 9]])

In [21]: XT
Out[21]: 
array([[2, 3],
       [0, 1]])
}}
- np.random.permutation 等の関数は，特に何もしなければ毎回異なる乱数を生成するので，バグ取りなどの際には都合が悪い．次のように乱数の種を指定すれば，再現性のある実験をできるようになる．
#pre{{
In [12]: np.random.seed(0)   # 種として 0 を指定

In [13]: np.random.rand(5)
Out[13]: array([ 0.5488135 ,  0.71518937,  0.60276338,  0.54488318,  0.4236548 ])

In [14]: np.random.rand(5)
Out[14]: array([ 0.64589411,  0.43758721,  0.891773  ,  0.96366276,  0.38344152])

In [15]: np.random.seed(0)     # 再び種を 0 に

In [16]: np.random.rand(5)
Out[16]: array([ 0.5488135 ,  0.71518937,  0.60276338,  0.54488318,  0.4236548 ])
}}