diff --git a/Work 1/FuzzySystems_HW1_Choutouridis_8997.zip b/Work 1/HW1_Choutouridis_Christos_8997.zip similarity index 53% rename from Work 1/FuzzySystems_HW1_Choutouridis_8997.zip rename to Work 1/HW1_Choutouridis_Christos_8997.zip index 6a4017e..c3ecfa7 100644 Binary files a/Work 1/FuzzySystems_HW1_Choutouridis_8997.zip and b/Work 1/HW1_Choutouridis_Christos_8997.zip differ diff --git a/Work 2/FuzzySystems_HW2_Choutouridis_8997.zip b/Work 2/HW2_Choutouridis_Christos_8997.zip similarity index 99% rename from Work 2/FuzzySystems_HW2_Choutouridis_8997.zip rename to Work 2/HW2_Choutouridis_Christos_8997.zip index 62b0944..6c53806 100644 Binary files a/Work 2/FuzzySystems_HW2_Choutouridis_8997.zip and b/Work 2/HW2_Choutouridis_Christos_8997.zip differ diff --git a/Work 3/FuzzySystems_HW3_Choutouridis_8997.zip b/Work 3/HW3_Choutouridis_Christos_8997.zip similarity index 99% rename from Work 3/FuzzySystems_HW3_Choutouridis_8997.zip rename to Work 3/HW3_Choutouridis_Christos_8997.zip index 0e26287..505e2bd 100644 Binary files a/Work 3/FuzzySystems_HW3_Choutouridis_8997.zip and b/Work 3/HW3_Choutouridis_Christos_8997.zip differ diff --git a/Work 4/HW4_Choutouridis_Christos_8997.zip b/Work 4/HW4_Choutouridis_Christos_8997.zip new file mode 100644 index 0000000..edb3dcb Binary files /dev/null and b/Work 4/HW4_Choutouridis_Christos_8997.zip differ diff --git a/Work 4/report/Work4_report.pdf b/Work 4/report/Work4_report.pdf index 9715577..23a7ecd 100644 Binary files a/Work 4/report/Work4_report.pdf and b/Work 4/report/Work4_report.pdf differ diff --git a/Work 4/report/Work4_report.tex b/Work 4/report/Work4_report.tex index b197fb2..e673bf2 100644 --- a/Work 4/report/Work4_report.tex +++ b/Work 4/report/Work4_report.tex @@ -188,7 +188,7 @@ x_i' = \frac{x_i - \mu_i}{\sigma_i} \end{figure} \paragraph{Καμπύλες εκπαίδευσης.} -Οι καμπύλες εκπαίδευσης της Εικόνας~\ref{fig:learning_curves_all} δείχνουν τη σύγκλιση του ANFIS για κάθε περίπτωση. +Οι καμπύλες εκπαίδευσης του σχήματος~\ref{fig:learning_curves_all} δείχνουν τη σύγκλιση του ANFIS για κάθε περίπτωση. Για μικρό $r_a$, το training error μηδενίζεται γρήγορα (υπερεκπαίδευση), ενώ για μεγάλο $r_a$ η εκπαίδευση είναι πιο ομαλή και το validation error σταθεροποιείται χαμηλότερα, δείχνοντας καλύτερη γενίκευση. \begin{figure}[H] @@ -300,12 +300,12 @@ x_i' = \frac{x_i - \mu_i}{\sigma_i} \[ \text{features}=5, \quad r_a=0.50, \quad \text{rules}=6, \quad \kappa=0.23 \] -που προσφέρει ικανοποιητική ισορροπία μεταξύ ακρίβειας και απλότητας. +που -- ας υποθέσουμε ότι -- προσφέρει "ικανοποιητική" ισορροπία μεταξύ ακρίβειας και απλότητας. \subsection{Αποτελέσματα πειράματος} \paragraph{Αναζήτηση υπερπαραμέτρων (Grid Search).} -Στο Σχήμα~\ref{fig:scn2-grid} φαίνονται τα αποτελέσματα του grid–search. +Στο σχήμα~\ref{fig:scn2-grid} φαίνονται τα αποτελέσματα του grid–search. Η μέση τιμή του συντελεστή $\kappa$ παραμένει κοντά στο $0.22$–$0.23$ για όλους τους συνδυασμούς, δείχνοντας ότι το μοντέλο είναι σχετικά σταθερό. Ο αριθμός κανόνων μειώνεται αισθητά με αύξηση του $r_a$, όπως αναμενόταν. @@ -318,7 +318,7 @@ x_i' = \frac{x_i - \mu_i}{\sigma_i} \end{figure} \paragraph{Απόδοση βέλτιστου μοντέλου.} -Η μήτρα σύγχυσης του βέλτιστου μοντέλου φαίνεται στο Σχήμα~\ref{fig:scn2-cm}. +Η μήτρα σύγχυσης του βέλτιστου μοντέλου φαίνεται στο σχήμα~\ref{fig:scn2-cm}. Παρατηρείται ότι οι κλάσεις 3 και 4 αναγνωρίζονται με σχετικά υψηλή ακρίβεια, ενώ η Κλάση~1 συγκεντρώνει τις περισσότερες λανθασμένες προβλέψεις. Η συνολική ακρίβεια είναι μέτρια, αλλά ικανοποιητική για το συγκεκριμένο dataset. @@ -329,7 +329,7 @@ x_i' = \frac{x_i - \mu_i}{\sigma_i} \end{figure} \paragraph{Καμπύλη εκμάθησης.} -Η καμπύλη εκμάθησης (Σχήμα~\ref{fig:scn2-learning}) παρουσιάζει σταδιακή μείωση του σφάλματος σε train και validation set, χωρίς σημαντική απόκλιση, γεγονός που δείχνει ότι το μοντέλο γενικεύει καλά και δεν υπερ-προσαρμόζεται. +Η καμπύλη εκμάθησης (σχήμα~\ref{fig:scn2-learning}) παρουσιάζει σταδιακή μείωση του σφάλματος σε train και validation set, χωρίς σημαντική απόκλιση, γεγονός που δείχνει ότι το μοντέλο γενικεύει καλά και δεν υπερ-προσαρμόζεται. \begin{figure}[H]\centering \includegraphics[width=.65\textwidth]{../source/figures_scn2/learning_best_model.png} @@ -338,7 +338,7 @@ x_i' = \frac{x_i - \mu_i}{\sigma_i} \end{figure} \paragraph{Συναρτήσεις συμμετοχής.} -Στο Σχήμα~\ref{fig:scn2-mfs} απεικονίζονται οι συναρτήσεις συμμετοχής για τα πέντε πιο σημαντικά χαρακτηριστικά, πριν και μετά την εκπαίδευση. +Στο σχήμα~\ref{fig:scn2-mfs} απεικονίζονται οι συναρτήσεις συμμετοχής για τα πέντε πιο σημαντικά χαρακτηριστικά, πριν και μετά την εκπαίδευση. Παρατηρείται ελαφρά προσαρμογή στα πλάτη και στις θέσεις των Gaussian MF, χωρίς παραμόρφωση — κάτι που δείχνει καλή σταθερότητα του μοντέλου. \begin{figure}[H]\centering @@ -348,7 +348,7 @@ x_i' = \frac{x_i - \mu_i}{\sigma_i} \end{figure} \paragraph{Ανάλυση ανά κλάση.} -Οι μετρικές ακρίβειας ανά κλάση (Σχήμα~\ref{fig:scn2-pa-ua}) δείχνουν ικανοποιητική απόδοση για τις Κλάσεις~1 και~3, ενώ οι υπόλοιπες παρουσιάζουν χαμηλότερες τιμές PA και UA. +Οι μετρικές ακρίβειας ανά κλάση (σχήμα~\ref{fig:scn2-pa-ua}) δείχνουν ικανοποιητική απόδοση για τις Κλάσεις~1 και~3, ενώ οι υπόλοιπες παρουσιάζουν χαμηλότερες τιμές PA και UA. Αυτό είναι αναμενόμενο λόγω ανισορροπίας δείγματος και επικαλύψεων στα χαρακτηριστικά. \begin{figure}[H]\centering @@ -358,7 +358,7 @@ x_i' = \frac{x_i - \mu_i}{\sigma_i} \end{figure} \paragraph{Απόδοση στο test set.} -Η σύγκριση πραγματικών και προβλεπόμενων ετικετών (Σχήμα~\ref{fig:scn2-truth}) δείχνει ότι οι περισσότερες προβλέψεις ακολουθούν τη σωστή κλάση, αν και παρατηρείται «θόρυβος» στις μεταβάσεις — ένδειξη περιορισμένης διακριτότητας των clusters. +Η σύγκριση πραγματικών και προβλεπόμενων ετικετών (σχήμα~\ref{fig:scn2-truth}) δείχνει ότι οι περισσότερες προβλέψεις ακολουθούν τη σωστή κλάση, αν και παρατηρείται «θόρυβος» στις μεταβάσεις — ένδειξη περιορισμένης διακριτότητας των clusters. \begin{figure}[H]\centering \includegraphics[width=.9\textwidth]{../source/figures_scn2/pred_vs_truth_best_model.png} @@ -367,7 +367,7 @@ x_i' = \frac{x_i - \mu_i}{\sigma_i} \end{figure} \paragraph{Βάρη ReliefF.} -Τα πέντε επιλεγμένα χαρακτηριστικά είχαν πολύ κοντινά βάρη (Σχήμα~\ref{fig:scn2-relief}), γεγονός που δείχνει ότι η πληροφορία κατανέμεται σχετικά ομοιόμορφα -- δεν υπάρχει δηλαδή ένα «κυρίαρχο» χαρακτηριστικό. +Τα πέντε επιλεγμένα χαρακτηριστικά είχαν πολύ κοντινά βάρη (σχήμα~\ref{fig:scn2-relief}), γεγονός που δείχνει ότι η πληροφορία κατανέμεται σχετικά ομοιόμορφα -- δεν υπάρχει δηλαδή ένα «κυρίαρχο» χαρακτηριστικό. \begin{figure}[H]\centering \includegraphics[width=.65\textwidth]{../source/figures_scn2/relieff_weights_selected.png}