← Back to CoursesStemExpert
StemExpert
Expert · Werkboek · 42. Classificatie en clustering
StemExpert · Brecht Corbeel · schoolium.me
StemExpert
E42. Classificatie en clustering — werkboek
EExpert · deel E9 · Data science en AI

Werkboek · hoofdstuk 42Classificatie en clustering

Labels voorspellen, groepen ontdekken en de kosten van verkeerde besluiten meten

Je voert classifiers en clustering uit en eindigt met een inspectiebeleid dat ook verkeerde voorstellen kan beoordelen.

3× oefenen4× toepassen4× uitdagen± 435 min0/11 gedaan
AData en AIWWiskundig modellerenPProgrammeren en computationeel denken
Een sensorpatroon en een diagnose hebben verschillende bewijslast.
Een sensorpatroon en een diagnose hebben verschillende bewijslast.
Hoe lees je een opdracht?
Drie tredenOefenen Toepassen Uitdagen

Elk hoofdstuk bouwt op: eerst oefenen (één stap, direct toepassen), dan toepassen (meerdere stappen, in een context), dan uitdagen (transfer, open problemen, andere leerlijnen erbij).

De StemExpert-schaal5

Eén moeilijkheidsschaal van 1 tot 9 over de drie niveaus heen: Fundamental loopt van 1 tot 4, Intermediate van 3 tot 7, Expert van 6 tot 9. Zo zie je dat de uitdaging van het ene niveau de oefening van het volgende is.

Oefenen

Oefenen

één stap, direct toepassen
42.1

Sigmoid narekenen

Oefenen6Rekenen25 min
Score z=−1,5 voor een plant.
  1. a
    Bereken p en het label bij drempels 0,5 en 0,15.
42.2

Een confusiematrix

Oefenen6Rekenen25 min
200 planten: 20 ziek. Voorspeld ziek: 25, waarvan 15 werkelijk ziek.
  1. a
    Bereken TP, FP, FN, TN, precisie, recall en accuracy.
42.3

Eén k-meansstap

Oefenen6Rekenen25 min
Punten 0, 2, 8, 10; begincentra 0 en 8.
  1. a
    Wijs toe, update centra en bereken J voor en na.
Toepassen

Toepassen

meerdere stappen, in een context
42.4

Gradiënt van logistiek

Toepassen7Rekenen25 min
x=2, y=0, b=0 en w=0; η=0,1.
  1. a
    Leid p−y uit kruis-entropie af en voer één stap uit.
42.5

Een split vergelijken

Toepassen7Analyseren25 min
Ouder: 12 planten, 6 ziek. Split A geeft 6 met 5 ziek en 6 met 1 ziek. Split B geeft 4 met 4 ziek en 8 met 2 ziek.
  1. a
    Bereken de gewogen Gini van beide splits en kies de trainingssplit.
42.6

Onbalans verandert precisie

Toepassen7Rekenen25 min
Recall=90%, vals-positieve fractie onder gezonde planten=5%. Vergelijk prevalentie 10% met 1%, elk op 10000 planten.
  1. a
    Bereken TP, FP en precisie voor beide populaties.
42.7

Afstand en groepen testen

Toepassen7Programmeren45 min
Dezelfde plant is elke dag gemeten; vocht is in procent en ΔT in kelvin.
  1. a
    Ontwerp KNN-validatie die schaal en groepslek voorkomt.
Uitdagen

Uitdagen

transfer, open problemen, leerlijnen combineren
42.8

Drempel en kosten

Uitdagen9Ontwerpen40 min
Een inspectie kost 1 eenheid bij een gezonde plant; een gemiste ziekte kost 9.
  1. a
    Leid de theoretische kansgrens af. Waarom kies je die grens niet blind op iedere gewogen modelscore?
42.9

Clusters onderzoeken

Uitdagen9Onderzoeken50 min
K-means geeft drie plantgroepen en het team noemt cluster 2 meteen ‘infectie’.
  1. a
    Ontwerp externe beoordeling en een gevoeligheidsproef voor deze claim.
42.10

Zieke planten in Habitat

Uitdagen9Habitat80 min
Een classifier moet planten voor inspectie voorstellen.
  1. a
    Schrijf label-, data- en actieregels, inclusief validatie en acceptatie.
  2. b
    Welke storingen en schadelijke fouten toets je?
Zo wordt dit beoordeeld
referentieLabel onafhankelijk en reproduceerbaar.
evaluatieGroepssplit, onbalans en foutkosten expliciet.
actieBegrensde bevoegdheid en herstelprocedure.
42.11

Een classifier vergelijken

Uitdagen9Programmeren70 min
Breid de echte NumPy-simulatie uit met gewijzigde ziekteprevalentie en een temperatuur-offset van 1 K in een nieuwe batch.
  1. a
    Vergelijk logistiek, KNN en boom op vooraf vastgelegde grenzen. Geef een verantwoord inzetbesluit.
Zo wordt dit beoordeeld
uitvoeringDe drie methoden op dezelfde nieuwe groepen.
bewijsAantallen, kosten en verschuiving apart.
besluitManifest en acceptatie traceerbaar.
ZelfevaluatieKleur per doel: lukt al / bijna / nog niet