程序代写代做代考 python Java c++ algorithm matlab Microsoft Word – COMP3308-assignment2-2018-final.docx

Microsoft Word – COMP3308-assignment2-2018-final.docx

COMP3308 – Introduction to Artificial Intelligence    Semester 1, 2018 

  Page 1 of 7 

Assignment 2: Classification

Deadlines
Submission: 5pm, Friday 18th May, 2018 (week 10) 

This assignment is worth 20% of your final mark. 

Task description
In  this  assignment  you will  implement  the  K‐Nearest Neighbour  and Naïve Bayes  algorithms  and 

evaluate them on a real dataset using the stratified cross validation method. You will also evaluate the 

performance of other classifiers on  the  same dataset using Weka. Finally, you will  investigate  the 

effect of feature selection, in particular the Correlation‐based Feature Selection method (CFS) from 

Weka. 

Late submissions policy
No late submissions are allowed. 

Programming languages
Your implementation can be written in Python, Java, C, C++ or MATLAB. The assignment will be tested 

on the University machines, so your code must be compatible with the language version installed on 

those machines. You are not allowed to use any of the built‐in classification libraries for the purposes 

of this assignment. 

Submission and pair work
Your assignment can be completed individually or in pairs. See the submission details section for more 

information about how to submit. 

This  assignment  will  be  submitted  using  the  submission  system  PASTA 

(https://comp3308.it.usyd.edu.au/PASTA/).  In  order  to  connect  to  the website,  you’ll  need  to  be 

connected to the university VPN. You can read this page to find out how to connect to the VPN. PASTA 

will allow you to make as many submissions as you wish, and each submission will provide you with 

feedback on each of the components of the assignment. Your last submission before the assignment 

deadline will be marked, and the mark displayed on PASTA will be the final mark for your code (12 

marks). 

1. Data
The  dataset  for  this  assignment  is  the  Pima  Indian  Diabetes  dataset.  It  contains  768  instances 

described by 8 numeric attributes. There are  two classes  ‐ yes and no. Each entry  in  the dataset 

corresponds to a patient’s record; the attributes are personal characteristics and test measurements; 

the  class  shows  if  the person  shows  signs of diabetes or not.  The patients  are  from Pima  Indian 

heritage, hence the name of the dataset. 

A copy of the dataset can be downloaded from Canvas. There are 2 files associated with the dataset. 

The first file, *.names, describes the data, including the number and the type of the attributes and 

classes, as well as their meaning. The second  file, *.data, contains the data  itself. Your task  is to 

predict the class, where the class can be yes or no. 

COMP3308 – Introduction to Artificial Intelligence    Semester 1, 2018 

  Page 2 of 7 

Note: The original dataset can be sourced from UCI Machine Learning Repository. However, you need 

to use the dataset available on Canvas as it has been modified for consistency. 

2. Data preprocessing
Read the pima‐indians‐diabetes.names file and learn more about the meaning of the attributes 

and the classes. Use Weka’s in‐built normalisation filter to normalise the values of each attribute to 

make sure they are in the range [0,1]. The normalisation should be done along each column (attribute), 

not each row (entry). The class attribute  is not normalised –  it should remain unchanged. Save the 

preprocessed file as pima.csv. 

Warning: In order to ensure that Weka can process the data, you will need to add headers to the data 

file and save it as a .csv file. You can do this in any text editor. The headers should be removed after 

preprocessing. 

3. Classification algorithms

K‐Nearest Neighbour
The K‐Nearest Neighbour algorithm should be implemented for any K value and should use Euclidean 

distance as the distance measure. If there is ever a tie between the two classes, choose class yes. 

Naïve Bayes
The Naïve Bayes should be implemented for numeric attributes, using a probability density function. 

Assume a normal distribution,  i.e. use the probability density function for a normal distribution. As 

before, if there is ever a tie between the two classes, choose class yes.  

Note: Carefully read section 6 to find out how your program will be expected to receive input and give 

output. 

4. 10‐fold stratified cross‐validation
In order to evaluate the performance of the classifiers, you will have to implement 10‐fold stratified 

cross‐validation. Your program should be able to show the algorithm’s average accuracy over the 10 

folds. This information will be required to complete the report. 

Your  implementation  of  10‐fold  stratified  cross‐validation  will  be  tested  based  on  your  pima‐

folds.csv  file.  The  information  about  the  folds  should  be  stored  in pima‐folds.csv  in  the 

following format for each fold: 

 Name of the fold, fold1 to fold10. 
 Contents of the fold, with each entry on a new line. 
 A single blank line to separate the folds from each other. 

An example of the pima‐folds.csv file would look as follows (made up data): 

   

COMP3308 – Introduction to Artificial Intelligence    Semester 1, 2018 

  Page 3 of 7 

fold1 
0.588,0.628,0.574,0.263,0.136,0.463,0.054,0.333,yes 
0.243,0.274,0.224,0.894,0.113,0.168,0.735,0.321,no 
 
fold2 
0.588,0.628,0.574,0.263,0.136,0.463,0.054,0.333,yes 
0.243,0.274,0.224,0.894,0.113,0.168,0.735,0.321,no 
 
… 
fold10 
0.588,0.628,0.574,0.263,0.136,0.463,0.054,0.333,yes 
0.243,0.274,0.224,0.894,0.113,0.168,0.735,0.321,no 

Note: The number of  instances per  fold should not vary by more than one.  If the total number of 

instances is not divisible by ten, the remaining items should be distributed amongst the folds rather 

than being placed in one fold. 

5. Feature selection
Correlation‐based feature selection (CFS)  is a method for selecting a subset of the original features 

(attributes).  It searches  for the best subset of  features, where best  is defined by a heuristic which 

considers how good the individual features are at predicting the class and how much they correlate 

with the other features. Good subsets of features contain features that are highly correlated with the 

class and uncorrelated with each other. 

Load the pima.csv file in Weka, and apply CFS to reduce the number of features. It is available from 

the “Select attributes” tab in Weka. Use “Best‐First Search” as the search method. Save the CSV file 

with the reduced number of attributes (this can be done in Weka) and name it pima‐CFS.csv. 

Warning: As before, in order to ensure Weka can understand the data, you’ll need to add headers. 

Once you are done processing, remove the headers 

6. Input and output

Input
Your program will need to be named MyClassifier, however may be written in any of the languages 

mentioned in the “Programming languages” section. 

Your program should take 3 command line arguments. The first argument is the path to the training 

data file, the second is the path to the testing data file, and the third is the name of the algorithm to 

be executed  (NB  for Naïve Bayes and kNN  for  the Nearest Neighbour, where k  is  replaced with a 

number; e.g. 3NN). 

For  example,  if  you  were  to  make  a  submission  in  Java,  your  main  class  would  be 

MyClassifier.java, and the following are examples of possible inputs to the program: 

$ java MyClassifier pima.csv examples.csv NB 
$ java MyClassifier pima‐CFS.csv examples.csv 4NN 

COMP3308 – Introduction to Artificial Intelligence    Semester 1, 2018 

  Page 4 of 7 

The input testing data file will consist of several new examples to test your data on. The file will not 

have headers, will have one example per line, and each line will consist of a normalised value for each 

of the non‐class attributes separated by commas. An example input file would look as follows: 

0.588,0.628,0.574,0.263,0.136,0.463,0.054,0.333 
0.243,0.274,0.224,0.894,0.113,0.168,0.735,0.321 
0.738,0.295,0.924,0.113,0.693,0.666,0.486,0.525 

The following examples show how the program would be run for each of the submission languages, 

assuming we want to run the NB classifier, the training data is in a file called training.txt, and 

the testing data is in a file called testing.txt. 

Python (version 3.5.3): 

python MyClassifier.py training.txt testing.txt NB 

Java (version 1.8): 

javac MyClassifier.java 
java MyClassifier training.txt testing.txt NB 

C (gcc version 6.3.0): 

gcc –lm ‐w ‐std=c99 –o MyClassifier MyClassifier.c *.c 
./MyClassifier training.txt testing.txt NB 

C++ (gcc version 6.3.0): 

g++ –c MyClassifier.cpp *.cpp *.h 
gcc –lstdc++ ‐lm –o MyClassifier *.o 
./MyClassifier training.txt testing.txt NB 

MATLAB (R2017b): 

mcc ‐m ‐o MyClassifier ‐R ‐nodisplay ‐R ‐nojvm MyClassifier 
./run_MyClassifier.sh  training.txt testing.txt NB 

Note: MATLAB must be run this way (compiled first) to speed up MATLAB running 

submissions. The arguments are passed to your MyClassifier function as strings. For 

example, the example above will be executed as a function call like this: 

MyClassifier(‘training.txt’, ‘testing.txt’, ‘NB’) 

Output
Your program will output to standard output (a.k.a. “the console”). The output should be one class 

value (yes or no) per line – each line representing your program’s classification of the corresponding 

line in the input file. An example output should look as follows: 

yes 
no 
yes 

COMP3308 – Introduction to Artificial Intelligence    Semester 1, 2018 

  Page 5 of 7 

Note: These outputs are in no way related to the sample inputs given above. If you have any questions 

or need any clarifications about program input or output, ask a question on Piazza or ask your tutor. 

Since  your  program  will  be  automatically  tested  by  PASTA,  it  is  important  that  you  follow  the 

instructions exactly. 

7. Weka evaluation
In Weka select 10‐fold cross validation (it  is actually 10‐fold stratified cross validation) and run the 

following algorithms: ZeroR, 1R, k‐Nearest Neighbor (k‐NN; IBk in Weka), Naïve Bayes (NB), Decision 

Tree  (DT;  J48  in Weka), Multi‐Layer Perceptron  (MLP) and Support Vector Machine  (SVM; SMO  in 

Weka). 

Compare the performance of the Weka’s classifiers with your k‐Nearest Neighbor and Naïve Bayes 

classifiers. Do  this  for  the  case without  feature  selection  (using pima.csv) and with CFS  feature 

selection (using pima‐CFS.csv). 

8. Report
You will have to describe your analysis and findings in a report similar to a research paper. Your report 

should include 5 sections. There is no minimum or maximum length for the report – you will be marked 

on the quality of the content that you provide. 

Aim
This section should briefly state the aim of your study and include a paragraph about why this study 

is important. 

Data
This section should describe the dataset, mentioning the number of attributes and classes. It should 

also briefly describe the CFS method and list the attributes selected by the CFS. 

Results and discussion
The  accuracy  results  should  be  presented  (in  percentage,  using  10‐fold  cross  validation)  in  the 

following table where My1NN, My3NN and MyNB are your implementations of the 1NN, 3NN and NB 

algorithms, evaluated using your stratified 10‐fold cross validation. 

  ZeroR  1R  1NN  3NN  NB  DT  MLP  SVM 

No feature 
selection 

               

CFS                 

 

  My1NN  My3NN  MyNB 

No feature 
selection 

     

CFS       

 

COMP3308 – Introduction to Artificial Intelligence    Semester 1, 2018 

  Page 6 of 7 

In  the discussion, compare  the performance of  the classifiers, with and without  feature  selection. 

Compare  your  implementations  of  k‐NN  and  NB with Weka’s.  Discuss  the  effect  of  the  feature 

selection – did CFS select a subset of the original features, and  if so, did the selected subset make 

intuitive sense to you? Was feature selection beneficial, i.e. did it improve accuracy, or have any other 

advantages? Why do you think this is the case? Include anything else that you consider important. 

Conclusion
Summarise your main findings and, if possible, suggest future work. 

Reflection
Write one or two paragraphs describing the most important thing that you have learned throughout 

this assignment. 

9. Submission Details
This assignment is to be submitted electronically via the PASTA submission system. 

Individual submissions setup
The first thing you must do is create an individual group on PASTA. This is due to a limitation of PASTA. 

To create a group, follow the instructions below: 

1. Click on the “Group Management” button (3 people icon), next to the submit button. 

2. Click on the plus button in the bottom right to add a new group. 

3. Scroll to the bottom of the list of groups and click on “Join Group” next to the group you just 

created. 

4. Click on “Lock Group” to lock the group and stop others from joining the group (optional). 

Pair submissions setup
The first thing you must do is create/join a group on PASTA. Follow the instructions below: 

1. Click on the “Group Management” button (3 people icon), next to the submit button. 

2. If your pair has not yet formed a group on PASTA, click on the plus button in the bottom right 

to add a new group, otherwise go to step 3. 

3. Click on “Join Group” next to your group in the “Other Existing Groups” section. 

4. If you wish to stop anyone from joining your group, click on “Lock Group”. 

All submissions
Your submission should be zipped together in a single .zip file and include the following: 

 The report in PDF format. 
 The source code with a main program called MyClassifier. Valid extensions are .java, 

.py, .c, .cpp, .cc, and .m. 

 Three data files: pima.csv, pima‐CFS.csv and pima‐folds.csv. 

A valid submission might look like this: 

   

COMP3308 – Introduction to Artificial Intelligence    Semester 1, 2018 

  Page 7 of 7 

 

submission.zip 
|‐ pima.csv 
|‐ pima‐folds.csv 
|‐ pima‐CSF.csv 
|‐ report/ 
|  +‐ report.pdf 
|‐ MyClassifier.java 
+‐ extrapackage/ 
   |‐ MyClass.java 
   +‐ OtherClass.java 

Upload your submission on PASTA under Assignment 2 ‐ Classification. Make sure you tick the box 

saying that you’re submitting on behalf of your group (even if you’re working individually). The 

submission won’t work if you don’t. 

10. Marking criteria
[12 marks] Code – based on the tests in PASTA; automatic marking 

[8 marks] Report: 

[0.5 marks] Introduction 

 What is the aim of the study? 
 Why is this study (the problem) important? 

[0.5 marks] Data – well explained 

• Dataset – brief description of the dataset 

• Attribute selection – brief summary of CFS and a list of the selected attributes 

[4 marks] Results and discussion 

• All results presented 

• Correct and deep discussion of the results 

• Effect of the feature selection – beneficial or not (accuracy, other advantages) 

• Comparison between the classifiers (accuracy, other advantages) 

[1.5 marks] Conclusions and future work 

• Meaningful conclusions based on the results 

• Meaningful future work suggested 

[0.5 marks] Reflection (meaningful and relevant personal reflection) 

[1 marks] English and presentation 

• Academic style, grammatical sentences, no spelling mistakes 

• Good structure and layout; consistent formatting

Posted in Uncategorized

Leave a Reply

Your email address will not be published. Required fields are marked *