martindlheras / tfg-i

Trabajo de Fin de Grado de Ingeniería Informática en la UAM

TFG Ingeniería Informática

Trabajo de Fin de Grado de Ingeniería Informática en la UAM

• Proyecto en Overleaf

Autor

Martín de las Heras Moreno
[email protected]

Tutor

Pablo Cerro Cañizares
[email protected]

---

ToDo

• Ver si puedo hacer funcionar la UI

Commands

• cat fullshortdb.csv | shuf >> fullshortdb.csv

---

Ideas

• UI para la ANN
• Cortar salidas para que solo muestre algoritmo u optimizaciones
• Generar mutantes en mutomvo por línea de comandos

Las clases están 0 diferenciadas, se equivoca en cosas que me parece muy muy normal hacerlo mal Tengo mis dudas sobre que sea la mejor manera de predecir ya que muchas veces lo que varía el tiempo es mínimo y se podría ejecutar de varias maneras diferentes obteniendo esencialmente el mismo resultado

SVM

• Trabaja mejor en dimensiones altas (dimensión 6 no es alta)
• Cuando el número de dimensiones es mayor que el número de samples (de momento tenemos 6 vs 30/45 y va a duplicarse)
• Cuando hay un margen claro de separación trabaja mejor (las clases se solapan muy fácilmente eg massive)
• In cases where the number of features for each data point exceeds the number of training data samples, the SVM will underperform
• One vs One con 320 clases es una animalada (hacer 320+319+...+1 hiperplanos)
• One vs All con 320 clases se necesitan más datos y unbalanced (hay que pillar samples de dentro de las clases)

Hyperparameters

• Hidden layers: 2
• Neurons hidden layer: 350
• BatchSize: 10
• nEpochs: 50
• learningRate: 1e-3
• lambda: 1e-6