Chapter 5: Exercises

1. (**) KNNC對於IRIS的分類效能對於代表點個數的變化: 請根據此範例，測試並畫出當 k-means 的分群數目（對每一個類別而言）由 1 增加到 20 時，辨識率的變化情形。
   1. 寫一段 MATLAB 程式 knncIrisRrVsClusterNum01.m，來顯示兩條曲線，包含訓練辨識率（inside test）及測試辨識率（outside test），畫出的圖形應該類似下圖： 使用這種暴力法，就可以找出最佳的分群數目，以便使 KNNC 對於 IRIS 資料集的辨識率達到最大值。
   2. 寫一段 MATLAB 程式 knncIrisRrVsClusterNum02.m，交換訓練資料及測試資料的角色，重畫一次辨識率的圖。畫出的圖形應該類似下圖：
   3. 寫一段 MATLAB 程式 knncIrisRrVsClusterNum03.m，重複上兩題，畫出平均辨識率（上兩題的平均訓練辨識率和平均測試辨識率）的圖。畫出的圖形應該類似下圖： 此種交換資料並測試平均辨識率的方法，稱為 Hold-out test，所得到的圖形，比較不會受到資料切分的影響，因此圖形也會比較有代表性。一般而言，訓練辨識率會一路爬高，而測試辨識率會先爬高，然後再降低，而我們所需要的最佳分群數目，就是會使測試率最高的點。
2. (**) KNNC對於WINE的分類效能對於代表點個數的變化: 請由 prData 指令來取得酒的分類資料，並重複前一題。
3. (*) 酒的分類: 請由 prData 指令來取得酒的分類資料，並進行下列工作：
   1. 請使用「單一高斯分類器」來測試其辨識率。
   2. 請使用「線性分類器」來測試其辨識率。
   （提示：若對酒的資料集有興趣，可以參考ftp://ftp.ics.uci.edu/pub/machine-learning-databases/wine。）
4. (*) 鮑魚年齡的辨識: 請由 prData 指令來取得鮑魚的分類資料，，此資料的輸出是鮑魚的年齡，我們以此年齡來代表類別，並進行下列工作：
   1. 請使用「單一高斯分類器」來測試其辨識率。
   2. 請使用「線性分類器」來測試其辨識率。
   （提示：若對酒的資料集有興趣，可以參考ftp://ftp.ics.uci.edu/pub/machine-learning-databases/abalone。）

---

Data Clustering and Pattern Recognition (資料分群與樣式辨認)