Projeler · Proje 4

Depoda nesne sınıflandırma

Konveyör bandındaki nesneleri biçim, renk ve boydan tanıyıp doğru kutuya iten model

Senaryo. Bir e-ticaret deposunda konveyör bandı karışık ürün getiriyor. Bandın üstündeki kapıda bir kamera nesnenin silüetinden yuvarlaklığını ve rengini, bir lazer ölçer boyunu okur. Kapıdan sonra dört itici var: oyuncak, elektronik, gıda ve büyük koli kutuları. Depo görevlisi daha önce bir grup ürünü elle etiketledi; robot gerisini kendisi ayıracak.

Amaç. Banttan geçen 200 yeni nesneyi doğru kutuya ayırmak: doğruluk %85’in üstünde, hiçbir kutunun duyarlılığı çok düşük olmasın.

3B sahne yükleniyor…

k-NN (k = 5) · 0 / 200 nesne tarandı

Sürükle: döndür · iki parmak / tekerlek: yakınlaş

Model: 0 k-NN, 1 ağaç, 2 naive Bayes 0k (k-NN komşu sayısı) 5Ağaç derinliği 4Sensör gürültüsü 0.3Etiketli örnek 120Tohum 7

Canlı ölçümler

Taranan nesne: 0 / 200
Doğruluk: —
Yanlış kutu: 0
En düşük duyarlılık: —
En düşük kesinlik: —
Etiketli örnek: 120

Doğruluk (taranan nesneye göre)

Karışıklık matrisi: satır gerçek kutu, sütun tahmin

	oyuncak	elektronik	gıda	büyük
oyuncak	0	0	0	0
elektronik	0	0	0	0
gıda	0	0	0	0
büyük koli	0	0	0	0

Eğitim paneli

Eğitim çalıştırılıyor…

Model bu sayfada, tarayıcında sıfırdan eğitilir (sabit tohum: aynı ayarlarla her seferinde aynı sonuç). Eğitim her karede küçük parçalar hâlinde yapılır; sekme ya da sahne görünmezken durur.

Adımlar

Kapıdaki sensörler her nesneden üç sayı okur: yuvarlaklık (küp 0,1 civarı, küre 0,95 civarı), renk tonu (0–1) ve boy (cm). Sensör gürültüsü bu sayıları biraz oynatır.
Model, görevlinin etiketlediği örneklerle eğitilir. k-NN yalnız örnekleri saklar; ağaç eşik soruları seçer; naive Bayes her kutu için ortalama ve varyans hesaplar.
Her yeni nesne kapıdan geçerken sınıflanır ve tahmin edilen kutunun hizasında yana itilir. Yanlış kutuya düşen nesnenin üstünde kırmızı bir işaret yanar.
Gerçek kutu bilindiği için her tarama karışıklık matrisine bir sayı ekler: satır gerçek kutu, sütun tahmin. Köşegen doğrular, geri kalan her hücre belirli bir karışıklıktır (ör. büyük koli sanılan elektronik).
Kutu başına duyarlılık (o kutuya ait olanların ne kadarı oraya gitti) ve kesinlik (kutuya gidenlerin ne kadarı ona ait) ayrı ayrı izlenir: ortalama doğruluk tek bir zayıf kutuyu gizleyebilir.

Model

Üç klasik sınıflandırıcıdan biri, tarayıcıda etiketli örneklerle eğitilir: k en yakın komşu (ölçeklenmiş üç özellikte en yakın k örneğin oyu), karar ağacı (Gini ile seçilen eşik soruları) ve Gauss naive Bayes (sınıf başına ortalama ve varyans). Derslerdeki iki özellikli sürümlerin üç özellikli hâlidir; sonuç kesinlik ve duyarlılık dersindeki gibi karışıklık matrisiyle okunur.

Kullanılan dersler: k en yakın komşu (k-NN) · Karar ağacı · Naive Bayes: olasılıkla karar · Kesinlik, duyarlılık ve F1

Kendin dene

Modeli 1 (karar ağacı) yap ve derinliği 1’e indir. Tek soru bandı yalnız ikiye bölebilir: dört kutudan ikisi hiç kullanılmaz ve saklı nesnelerde doğruluk %48’e düşer. Derinlik 3’te ağaç yeniden %92’ye çıkar; daha derin ağaç bir şey kazandırmaz.
Sensör gürültüsünü 0,3’ten 1’e çıkar. Saklı nesnelerde k-NN %92’den %85’e, ağaç %91’den %81’e, naive Bayes %92’den %87’ye düşer. Karışıklık matrisine bak: hataların çoğu oyuncak, gıda ve büyük koli arasında toplanır; elektronik mavi rengi sayesinde az karışır.
Etiketli örneği 20’ye indir. k-NN %92’den %74’e düşer, naive Bayes ise %86’da kalır: k-NN birkaç komşuya güvenmek zorundadır, naive Bayes her kutu için yalnız birkaç ortalama ve varyans öğrenir. Tohumu değiştir: bu kadar az örnekte sonuç tohuma göre çok oynar.

Python karşılığı

depo_siniflandirma.pypython

import numpy as np
D = np.genfromtxt('depo-nesneleri.csv', delimiter=',', names=True) # 120 etiketli, 200 yeni nesne
F, k, et = np.c_[D['yuvarlaklik'], D['ton'], D['boy']], D['kutu'].astype(int), D['grup'] == 0 # özellikler: yuvarlaklık, ton, boy (cm)
X, y, X_yeni, y_yeni = F[et], k[et], F[~et], k[~et]
mu, sd = X.mean(0), X.std(0)
Z, Z_yeni = (X - mu) / sd, (X_yeni - mu) / sd # ölçekle: boy (cm) tonu ezmesin
def knn(z, k=5):
d = ((Z - z) ** 2).sum(1) # her etiketli örneğe uzaklık
oy = np.bincount(y[np.argsort(d)[:k]], minlength=4) # en yakın k örneğin oyu
return oy.argmax()
m = np.array([X[y == c].mean(0) for c in range(4)]) # naive Bayes: kutu başına ortalama
v = np.array([X[y == c].var(0) for c in range(4)]) # ve varyans
p = np.bincount(y, minlength=4) / len(y) # kutuların oranı (önsel)
def nb(x):
lp = np.log(p) - 0.5 * (np.log(2 * np.pi * v) + (x - m) ** 2 / v).sum(1)
return lp.argmax() # log olasılığı en büyük kutu
M = np.zeros((4, 4), int) # karışıklık matrisi
history = {'n': [], 'true': [], 'pred': [], 'correct': [], 'accuracy': []} # geçmiş: taranan her nesne bir satır
for z, x, c in zip(Z_yeni, X_yeni, y_yeni): # banttan gelen her yeni nesne
tahmin = knn(z) # ya da nb(x)
M[c, tahmin] += 1 # satır gerçek, sütun tahmin
for k, v in zip(history, (M.sum(), c, tahmin, c == tahmin, np.trace(M) / M.sum())): history[k].append(float(v) if k == 'accuracy' else int(v))
print(M)
print("doğruluk", np.trace(M) / M.sum()) # köşegen / toplam
print("duyarlılık", np.diag(M) / M.sum(1)) # kutu başına
print("kesinlik", np.diag(M) / M.sum(0))
P, R = np.diag(M) / np.maximum(1, M.sum(0)), np.diag(M) / np.maximum(1, M.sum(1))
F1 = 2 * P * R / np.maximum(1e-12, P + R) # kutu başına F1
for ad, p_, r_, f_ in zip(['oyuncak', 'elektronik', 'gida', 'buyuk koli'], P, R, F1): # son ölçümler tablosu
print(f'{ad:<12}kesinlik {p_:.2f} duyarlılık {r_:.2f} F1 {f_:.2f}')
import csv
with open('egitim_gecmisi.csv', 'w', newline='') as f: # geçmişi CSV'ye yaz
csv.writer(f).writerows([list(history), *zip(*history.values())])
try:
import matplotlib.pyplot as plt # varsa grafik çiz
fig, (a1, a2) = plt.subplots(1, 2, figsize=(9, 3.5))
a1.plot(history['n'], history['accuracy']); a1.set_xlabel('n'); a1.set_ylabel('accuracy')
a2.imshow(M, cmap='Greens'); a2.set_xlabel('tahmin'); a2.set_ylabel('gerçek') # karışıklık matrisi
plt.show()
except ImportError:
print('matplotlib yok: grafik atlandı')

Veri seti

Tüm veri setleri →

Depo konveyörü: nesnelerdepo-nesneleri.csv · 320 satır · 5 sütun
Veri setini indir

Kodu tarayıcıda çalıştırPython · NumPy · matplotlib · Pyodide

Python ve NumPy bu sayfada, tarayıcında çalışır (Pyodide). Kodu değiştirip yeniden çalıştırabilirsin; dersin veri setleri çalışma klasöründe hazır. Kod matplotlib kullanırsa grafikler çıktının altında görünür, yazdığı dosyalar (ör. egitim_gecmisi.csv) indirilebilir.

depo_siniflandirma.pypython

import numpy as np
D = np.genfromtxt('depo-nesneleri.csv', delimiter=',', names=True)  # 120 etiketli, 200 yeni nesne
F, k, et = np.c_[D['yuvarlaklik'], D['ton'], D['boy']], D['kutu'].astype(int), D['grup'] == 0  # özellikler: yuvarlaklık, ton, boy (cm)
X, y, X_yeni, y_yeni = F[et], k[et], F[~et], k[~et]
mu, sd = X.mean(0), X.std(0)
Z, Z_yeni = (X - mu) / sd, (X_yeni - mu) / sd  # ölçekle: boy (cm) tonu ezmesin
def knn(z, k=5):
    d = ((Z - z) ** 2).sum(1)                 # her etiketli örneğe uzaklık
    oy = np.bincount(y[np.argsort(d)[:k]], minlength=4)  # en yakın k örneğin oyu
    return oy.argmax()
m = np.array([X[y == c].mean(0) for c in range(4)])  # naive Bayes: kutu başına ortalama
v = np.array([X[y == c].var(0) for c in range(4)])  # ve varyans
p = np.bincount(y, minlength=4) / len(y)      # kutuların oranı (önsel)
def nb(x):
    lp = np.log(p) - 0.5 * (np.log(2 * np.pi * v) + (x - m) ** 2 / v).sum(1)
    return lp.argmax()                        # log olasılığı en büyük kutu
M = np.zeros((4, 4), int)                     # karışıklık matrisi
history = {'n': [], 'true': [], 'pred': [], 'correct': [], 'accuracy': []}  # geçmiş: taranan her nesne bir satır
for z, x, c in zip(Z_yeni, X_yeni, y_yeni):   # banttan gelen her yeni nesne
    tahmin = knn(z)                           # ya da nb(x)
    M[c, tahmin] += 1                         # satır gerçek, sütun tahmin
    for k, v in zip(history, (M.sum(), c, tahmin, c == tahmin, np.trace(M) / M.sum())): history[k].append(float(v) if k == 'accuracy' else int(v))
print(M)
print("doğruluk", np.trace(M) / M.sum())      # köşegen / toplam
print("duyarlılık", np.diag(M) / M.sum(1))    # kutu başına
print("kesinlik", np.diag(M) / M.sum(0))
P, R = np.diag(M) / np.maximum(1, M.sum(0)), np.diag(M) / np.maximum(1, M.sum(1))
F1 = 2 * P * R / np.maximum(1e-12, P + R)     # kutu başına F1
for ad, p_, r_, f_ in zip(['oyuncak', 'elektronik', 'gida', 'buyuk koli'], P, R, F1):  # son ölçümler tablosu
    print(f'{ad:<12}kesinlik {p_:.2f}  duyarlılık {r_:.2f}  F1 {f_:.2f}')
import csv
with open('egitim_gecmisi.csv', 'w', newline='') as f:  # geçmişi CSV'ye yaz
    csv.writer(f).writerows([list(history), *zip(*history.values())])
try:
    import matplotlib.pyplot as plt           # varsa grafik çiz
    fig, (a1, a2) = plt.subplots(1, 2, figsize=(9, 3.5))
    a1.plot(history['n'], history['accuracy']); a1.set_xlabel('n'); a1.set_ylabel('accuracy')
    a2.imshow(M, cmap='Greens'); a2.set_xlabel('tahmin'); a2.set_ylabel('gerçek')  # karışıklık matrisi
    plt.show()
except ImportError:
    print('matplotlib yok: grafik atlandı')

Kendi CSV’ni yükle

Çıktı

Çıktı burada görünecek.