Differences

This shows you the differences between two versions of the page.

--- ed:lab_04 [2024/03/10 18:53]
pszwed
+++ ed:lab_04 [2024/03/21 02:25] (current)
pszwed [Funkcja do rysowania wykresów]
@@ Line 12: / Line 12: @@
 ===== 1. Cechy wielomianowe 2 stopnia =====
 **Umieść kod w klasie  ''LinearRegressionPolynomialFeaturesOrderTwo''**
+**Ponieważ przetwarzane są kolejne zbiory, najwygodniej będzie umieścić kod w funkcji postaci\\
+''static void processDataset(SparkSession spark,String filename,Function<Double,Double> f_true)''**
 **1.** Dodaj do zbioru danych kolumnę ''X2'' zawierającą po prostu wynik wyrażenia "X*X"
@@ Line 42: / Line 46: @@
 **4.** Wyświetl wyniki. Przy wyświetlaniu aproksymowanej funkcji wywoływana jest funkcja ''lrModel.predict()''. Jako argument musisz dostarczyć wektor zawierający zarówno wartość wejściową, jak i jej kwadrat. Możesz to zrealizować dodają parametr order do funkcji plot (przyda się przy regresji 3-stopnia) lub po prostu dodając element.
-**5.** Przetwórz wszystkie pliki i wyświetl ich wykresy.
+**5.** Przetwórz wszystkie pliki i wyświetl ich wykresy oraz w każdym przypadku podaj równanie regresji
 Niewątpliwie ciekawym wykresem jest dopasowanie wielomianu 2-stopnia do danych wygenerowanych z wielomianu 3 stopnia
@@ Line 96: / Line 100: @@
 **Kod umieść w klasie ''LinearRegressionPolynomialFeaturesPipeline''**
-**Ponieważ przetwarzane są kolejne zbiory, najlepiej umieść kod w funkcji postci ''static void processDataset(SparkSession spark,String filename,int degree,Function<Double,Double> f_true)''**
+**Ponieważ przetwarzane są kolejne zbiory, najwygodniej będzie umieścić kod w funkcji postaci\\
+''static void processDataset(SparkSession spark,String filename,int degree,Function<Double,Double> f_true)''**
-Dodawanie manualne cech jako kolumn zbioru danych jest zbyt żmudne - zachodzi konieczność nazywania tych kolumn, później modyfikacji kodu w kilku miejscach. Raczej buduje się ciąg przetwarzania: ''Pipeline'', którego elementami są wstępne przetwarzanie danych i budowa modelu estymatora. Rozszerzenie cech o cechy wielomianowe jest dokonywane za pomocą odpowiedniej funkcji transformującej dane tablicowe :  ''PolynomialExpansion''.
+Dodawanie manualne cech jako kolumn zbioru danych jest zbyt żmudne - zachodzi konieczność nazywania tych kolumn, później modyfikacji kodu w kilku miejscach. Raczej buduje się ciąg przetwarzania: ''Pipeline'', którego elementami są wstępne przetwarzanie danych i budowa modelu estymatora.
+Rozszerzenie cech o cechy wielomianowe jest dokonywane za pomocą odpowiedniej funkcji transformującej dane tablicowe :  ''PolynomialExpansion''.
 ==== Budowa ciągu przetwarzania  ====
@@ Line 168: / Line 175: @@
 </code>
-Aby przetworzyć je za pomocą ''pipeline'' musimy zamienić je na Dataset<Row> zawierający kolumnę o nazwie ''X'' z odpowiednimi wartościami.
+Aby przetworzyć je za pomocą ''pipeline'' musimy zamienić je na obiekt typu Dataset<Row> zawierający kolumnę o nazwie ''X'' z odpowiednimi wartościami.
 **2.** Zamiana wartości double na ''Row''
-Przeiteruj przez elementy fx i dla każdego z nich utwórz obiekt ''Row'', np. wołając ''Row r = RowFactory.create(d);'' lub odpowiednią funkcje strumienia. Zbierz wynik w ''List<Row> rows''
+Przeiteruj przez elementy fx i dla każdego z nich utwórz obiekt ''Row'', np. wołając ''Row r = RowFactory.create(d);'' lub umieść takie odwzorowanie w odpowiedniej funkcji strumienia. Zbierz wynik w ''List<Row> rows''
 **3.** Zdefiniuj schemat i utwórz zbiór danych:
@@ Line 233: / Line 240: @@
 ===== 4. Podział na zbiór uczący i testowy =====
-Podziały przetestujemy na pliku ''xy-003.csv'' dla cech wielomianowych 3 stopnia.
 ==== Rozwiązanie 1 ====
@@ Line 278: / Line 284: @@
 **5.** Wydrukuj wartości metryk i obejrzyj wykresy
-<code>
+Podziały przetestuj na plikach
-Scores on training set: r2=0.63 RMSE=317.19
+  * ''xy-003.csv'' dla cech wielomianowych 3 stopnia.
-Scores on test set: r2=-1.02 RMSE=647.06
+  * ''xy-005.csv'' dla cech wielomianowych 2 stopnia
+Zapisz rysunki i metryki.
+==== Rozwiązanie 2 ====
+Zamień sposób podziału na losowy (np. zakomentuj poprzedni kod lub utwórz kopię klasy).
+<code java>
+var dfs = df.randomSplit(new double[]{0.7,0.3});
+var df_train = dfs[0];
+var df_test = dfs[1];
 </code>
+**1.** Przetestuj takie same konfiguracje zbiorów danych i stopni wielomianu
+Podział jest losowy. Może się zdarzyć, że w danym losowaniu osiągniemy nie najlepszy podział
+Można oczywiście ustawić seed i otrzymać powtarzalne wyniki (np. seed =3 wydaje się całkiem dobry).
+**2.** Wróć do poprzedniego rozwiązania
+Stały podział może być całkiem dobry, jeżeli wcześniej dane zostały losowo pomieszane. Jest to częste podejście przy publikacji zbiorów testowych.
+Dodaj przed podziałem następujący kod i porównaj wyniki:
+<code java>
+df = df.orderBy(org.apache.spark.sql.functions.rand(3));
+</code>
+**3.** Zbierz w tabelce metryki dla wszystkich sposobów ustalania podziału