mk5135795 / lab5

Najbliżsi sąsiedzi

Najbliżsi sąsiedzi

Klasa Sample

• Stwórz klasę Sample, zawierającą:
  • zmienną całkowitą label,
  • wektor liczb zmiennoprzecinkowych features,
• w konstruktorze klasy Sample przyjmuj oba te parametry,
• stwórz też dla nich gettery.

Klasa Dataset

• Stwórz klasę Dataset, zawierającą:
  • wektor obiektów klasy Sample,
  • metodę push_back(), dodającą nową próbkę do wektora:
    • metoda ta powinna sprawdzać, czy wektor features dla każdej z wprowadzanych próbek jest tej samej długości.

Klasa Prediction

• Stwórz klasę Prediction, dziedziczącą po klasie Sample, dodającą do niej zmienną prediction,
• Rozszerz ją o metodę statyczną accuracy(), przyjmującą wektor obiektów klasy Prediction, informującą o tym, w jakim odsetku ich zmienne label i prediction mają tę samą wartość.

Program obliczeniowy

• Jako argumenty wiersza poleceń programu, przekaż nazwę pliku oraz liczbę całkowitą k,
• dla celów testowych, w repozytorium znajduje się plik wine.csv,
• wczytaj plik wine.csv do wektora obiektów typu Sample tak, aby pierwsza jego kolumna określała label, a pozostałe znalazły się w wektorze features,
• stwórz dwa obiekty klasy Dataset. Pierwszy nazwij train, drugi test,
• do train wprowadź losowe 20% wczytanych z pliku obiektów, a do test, resztę,
• zaimplementuj funkcję knn(), zwracającą wektor obiektów klasy Prediction przyjmującą jako argumenty dwa obiekty typu Dataset (train i test) i zmienną całkowitą k:
  • utwórz w niej wektor predictions:
  • do utworzonego wektora wprowadź kopie wszystkich obiektów (mają typ Sample) znajdujących się w test, uzupełniając dla nich wartość prediction, według następującego schematu:

Dla każdego obiektu ze zbioru testowego znajdź k obiektów ze zbioru uczącego, którego cechy (features) znajdują się w najmniejszej od niego odległości. Za prediction uznaj label, który powtarza się najczęściej wśród znalezionych.

• Wyświetl użytkownikowi informacje o zbiorze (nazwa pliku, liczba próbek, liczba cech) oraz jakość klasyfikacji (accuracy()).