import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
from machinelearningdata import Machine_Learning_Data
def extract_from_json_as_np_array(key, json_data):
data_as_array = []
for p in json_data:
data_as_array.append(p[key])
return np.array(data_as_array)
STUDENTNUMMER = "0912071"
data = Machine_Learning_Data(STUDENTNUMMER)
show_diff = True
start_test = False
classification_training = data.classification_training()
X = extract_from_json_as_np_array("x", classification_training)
Y = extract_from_json_as_np_array("y", classification_training)
## Leer de classificaties
x_2 = X[...,0]
y_2 = X[...,1]
plt.axis([min(x_2), max(x_2), min(y_2), max(y_2)])
## Train de data in een Logistic Regression model, maak de y_predict aan gebaseerd op de getrainde data
regression = LogisticRegression().fit(X, Y)
""" helper functie om data uit de json te halen en om te zetten naar numpy array voor sklearn"""
data_as_array = []
for p in json_data:
data_as_array.append(p[key])
return np.array(data_as_array)
STUDENTNUMMER = "0909257"
assert STUDENTNUMMER != "123456", "Verander 0909257 in je eigen studentnummer"
print("STARTER CODE")
# maak een data-object aan om jouw data van de server op te halen
data = Machine_Learning_Data(STUDENTNUMMER)
# UNSUPERVISED LEARNING
# haal clustering data op
kmeans_training = data.clustering_training()
# extract de x waarden
X = extract_from_json_as_np_array("x", kmeans_training)
# print(X)
# slice kolommen voor plotten (let op, dit is de y voor de y-as, niet te verwarren met een y van de data)
x = X[..., 0]
y = X[..., 1]
from machinelearningdata import Machine_Learning_Data
import main as glob
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
# LESBRIEF Deel 2.1
# SUPERVISED LEARNING
# Logestic regression
# Data ophalen
data = Machine_Learning_Data(glob.student_number)
# Classificatie trainingsdata
classification_training = data.classification_training()
# Extract de data x = array met waarden, y = classificatie 0 of 1
X = glob.extract_from_json_as_np_array("x", classification_training)
# Dit zijn de werkelijke waarden, daarom kan je die gebruiken om te trainen
Y = glob.extract_from_json_as_np_array("y", classification_training)
# Plot data
for i in range(len(X)):
if(Y[i] == 0):
plt.plot(X[i][0], X[i][1], "r.")
else:
plt.plot(X[i][0], X[i][1], "g.")
plt.show()
""" helper functie om data uit de json te halen en om te zetten naar numpy array voor sklearn"""
data_as_array = []
for p in json_data:
data_as_array.append(p[key])
return np.array(data_as_array)
STUDENTNUMMER = "0906233" # TODO: aanpassen aan je eigen studentnummer
assert STUDENTNUMMER != "1234567", "Verander 1234567 in je eigen studentnummer"
print("STARTER CODE")
# maak een data-object aan om jouw data van de server op te halen
data = Machine_Learning_Data(STUDENTNUMMER)
# UNSUPERVISED LEARNING
def unsupervisedLearning():
"""kmeans """
# haal clustering data op
kmeans_training = data.clustering_training()
# extract de x waarden
X = extract_from_json_as_np_array("x", kmeans_training)
#print(X)
# slice kolommen voor plotten (let op, dit is de y voor de y-as, niet te verwarren met een y van de data)
x = X[..., 0]
""" helper functie om data uit de json te halen en om te zetten naar numpy array voor sklearn"""
data_as_array = []
for p in json_data:
data_as_array.append(p[key])
return np.array(data_as_array)
STUDENTNUMMER = "0909922" # TODO: aanpassen aan je eigen studentnummer
assert STUDENTNUMMER != "1234567", "Verander 1234567 in je eigen studentnummer"
print("STARTER CODE")
# maak een data-object aan om jouw data van de server op te halen
data = Machine_Learning_Data(STUDENTNUMMER)
# UNSUPERVISED LEARNING
# haal clustering data op
kmeans_training = data.clustering_training()
# extract de x waarden
X = extract_from_json_as_np_array("x", kmeans_training)
#print(X)
# slice kolommen voor plotten (let op, dit is de y voor de y-as, niet te verwarren met een y van de data)
x = X[..., 0]
y = X[..., 1]
""" helper functie om data uit de json te halen en om te zetten naar numpy array voor sklearn"""
data_as_array = []
for p in json_data:
data_as_array.append(p[key])
return np.array(data_as_array)
STUDENTNUMMER = "0925803"
assert STUDENTNUMMER != "1234567", "Verander 1234567 in je eigen studentnummer"
print("STARTER CODE")
# maak een data-object aan om jouw data van de server op te halen
data = Machine_Learning_Data(STUDENTNUMMER)
# UNSUPERVISED LEARNING
# haal clustering data op
kmeans_training = data.clustering_training()
# extract de x waarden
X = extract_from_json_as_np_array("x", kmeans_training)
#print(X)
# slice kolommen voor plotten (let op, dit is de y voor de y-as, niet te verwarren met een y van de data)
x = X[...,0]
y = X[...,1]
from sklearn.metrics import accuracy_score
from sklearn.cluster import KMeans
from machinelearningdata import Machine_Learning_Data
def extract_from_json_as_np_array(key, json_data):
data_as_array = []
for p in json_data:
data_as_array.append(p[key])
return np.array(data_as_array)
STUDENTNUMMER = "0912071"
data = Machine_Learning_Data(STUDENTNUMMER)
kmeans_training = data.clustering_training()
X = extract_from_json_as_np_array("x", kmeans_training)
x = X[..., 0]
y = X[..., 1]
kmeans_disabled = True
kmeans_clusters = 0
if kmeans_disabled:
for i in range(len(x)):
plt.plot(x[i], y[i], "k.")
else:
kmeans = KMeans(n_clusters=kmeans_clusters)
kmeans.fit(X)
from machinelearningdata import Machine_Learning_Data
import main as glob
import matplotlib.pyplot as plt
from sklearn.metrics import accuracy_score
from sklearn.cluster import KMeans
# LESBRIEF Deel 1
# UNSUPERVISED LEARNING
data = Machine_Learning_Data(glob.student_number)
# Haal clustering data op
kmeans_training = data.clustering_training()
# Extract de x waarden
X = glob.extract_from_json_as_np_array("x", kmeans_training)
# Slice kolommen voor plotten (let op, dit is de y voor de y-as, niet te verwarren met een y van de data)
x = X[..., 0]
y = X[..., 1]
# Teken als zwarte punten
for i in range(len(x)):
plt.plot(x[i], y[i], "k.")
plt.xlim(-40, 80)
plt.ylim(-20, 140)
plt.show()
# ontdek de clusters mbv kmeans en teken een plot met kleurtjes
cluster_amount_guess = 4
colors = ["red", "blue", "green", "yellow", "orange", "pink", "purple"]