Este es un conjunto artificial creado utilizando la funcion make_moons de sklearn.datasets.
Consiste en 400 datos divididos en 2 grupos.
Ver ranking.
Los datos se encuentran en los siguientes archivos CSV:
traning-set.csvtest-set.csv
- Features: Las primeras 2 columnas del csv son las cooredenadas
xyỳ. - Lables: La ultima cooredenada es la clase a la cual corresponde el dato.
Crear un algortimo que tome como input un vector 2D y retone la clase a la que pertenece ese punto. Solo se puede utilizar los datos del traning-set.csv para entrenar.
El performance se debe medir con respecto a los datos del test-set.csv utilizando la siguiente formula
score = n_aciertos / n_total * 100donde n_aciertos es el numero de imagenes clasificadas de forma correcta y n_total es el numero total de muestras en el test-set.
Ver procedimiento de solucion.
Indica los requerimientos para utilizar el codigo de tu solucion.
Indica el procedimiento que se debe seguir para reproducir tu solucion.
Indica el metodo que utilizaste para solucionar el reto.
Indica el metodo que utilizaste para solucionar el reto.
Para resolver este reto primero has un fork de este repositorio y clona el fork en tu maquina.
git clone https://github.com/{username}/supervised-basico-moons
cd supervised-basico-moonsNota: reemplaza {username} con tu nombre de usuario de Github.
Para descargar y visualizar los datos necesitas Python 2 o 3. Las dependencias las puedes encontrar en el archivo requirements.txt. Puedes instalarlas fácilmente utilizando el commando
pip install -r requirements.txtDependiendo de tu entorno puede que necesites instalar paquetes del sistema adicionales, si tienes problemas revisa la documentación de estas librerías.
Para iniciar con este reto puedes correr el codigo de Python en Jupyter del archivo python-sample.ipynb. Este código que ayudará a cargar y visualizar algunas imágenes. Las dependencias son las mismas que se instalaron durante la descarga de los datos, ver Requerimientos.
Para iniciar el código solo hay que prender Jupyter en esta carpeta
jupyter notebook --NotebookApp.iopub_data_rate_limit=10000000000 .y abrir el archivo python-sample.ipynb.