Outils pour utilisateurs
cours:plim:projet16_17:gr3:gr3
Différences
Ci-dessous, les différences entre deux révisions de la page.
| Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente | ||
|
cours:plim:projet16_17:gr3:gr3 [2017/02/16 11:35] lsauvage |
cours:plim:projet16_17:gr3:gr3 [2017/02/17 17:59] (Version actuelle) lsauvage [Algorithme] |
||
|---|---|---|---|
| Ligne 131: | Ligne 131: | ||
| KMEAN par exemple reçoit des données et les découpe en calculant les K meilleurs centroides. Une donnée appartiendra alors à un groupe seulement en fonction de sa réciprocité envers un centroide, ce qui peut amener de nombreuses erreurs selon la répartition des groupes. | KMEAN par exemple reçoit des données et les découpe en calculant les K meilleurs centroides. Une donnée appartiendra alors à un groupe seulement en fonction de sa réciprocité envers un centroide, ce qui peut amener de nombreuses erreurs selon la répartition des groupes. | ||
| - | Si en revanche nous savons déjà à quel type de groupe apparient une donnée (cf: bon trajet/mauvais trajet), SVM utilisera ces informations pour déterminer quelle est la meilleure fonction qui découpe ces différents groupes. Dans notre programme nous savons identifier de bons et de mauvais trajet en fonction de la durée du trajet et de sa différence à la médiane de tous les trajets. Nous avons définis 5 groupes, comme un bison futé, chaque groupe est représenté par un entier dans l'intervalle [-2;2] | + | Si en revanche nous savons déjà à quel type de groupe apparient une donnée (cf: bon trajet/mauvais trajet), SVM utilisera ces informations pour déterminer quelle est la meilleure fonction qui découpe ces différents groupes. Dans notre programme nous savons identifier de bons et de mauvais trajet en fonction de la durée du trajet et de sa différence à la médiane de tous les trajets. Nous avons définis 7 groupes, comme un bison futé, chaque groupe est représenté par un entier dans l'intervalle [-3;3] |
| - | * -2 : durée < 70% | + | * -3 : durée < 50% |
| + | * -2 : 50% < durée < 70% | ||
| * -1 : 70% < durée < 90% | * -1 : 70% < durée < 90% | ||
| * 0 : 90% < durée < 110% | * 0 : 90% < durée < 110% | ||
| * 1 : 110% < durée < 130% | * 1 : 110% < durée < 130% | ||
| - | * 2 : 130% < durée | + | * 2 : 130% < durée < 150% |
| + | * 3 : 150% < durée | ||
| Ainsi nous améliorons la précision de l'algorithme d'apprentissage. | Ainsi nous améliorons la précision de l'algorithme d'apprentissage. | ||
| Ligne 153: | Ligne 155: | ||
| Dernier avantage de SVM, il permet de classifier des points mêmes en ayant des coordonnées manquantes ce qui correspond à notre problématique car certains checkpoints n'ont pas encore été atteints or nous voulons une prédiction quant à l'heure d'arrivée. | Dernier avantage de SVM, il permet de classifier des points mêmes en ayant des coordonnées manquantes ce qui correspond à notre problématique car certains checkpoints n'ont pas encore été atteints or nous voulons une prédiction quant à l'heure d'arrivée. | ||
| + | === Code, installation et explications === | ||
| + | \\ | ||
| + | Voir les deux README.md sur nos repesitorys github : | ||
| - | + | * https://github.com/Paltoquet/SmartRoadv2 | |
| + | * https://github.com/Drym/SmartServerV2 | ||
cours/plim/projet16_17/gr3/gr3.1487241340.txt.gz · Dernière modification: 2017/02/16 11:35 par lsauvage
Outils de la page
Sauf mention contraire, le contenu de ce wiki est placé sous les termes de la licence suivante : CC Attribution-Noncommercial-Share Alike 4.0 International
