Trabalho POO - Implementação do Algoritmo KNN em Java

DA2MCTA01813SA Programação Orientada a Objetos Paulo Henrique Pisani e Diogo Santana Martins 20232 Painel Meus cursos POO DA2MCTA01813SA 20232 Bônus 2 Bonus2 Parte 2 Algoritmo de classificação Bonus2 Parte 2 Algoritmo de classificação Data de entrega sexta 11 Ago 2023 2359 Arquivos requeridos ListaExemplosjava KNNjava Baixar Tipo de trabalho Trabalho individual Parte 2 Algoritmo de classificação Na área de Aprendizado de Máquina Faceli et al 2021 um algoritmo que pode ser usado para classificação e regressão é o kVizinhos mais próximos kNearest Neighbours kNN Neste exercício deverá ser implementada uma versão para classificação conforme descrito a seguir kNN Antes de ser utilizado para classificação o algoritmo precisa de dados de treinamento Os dados de treinamento serão representados por uma lista de exemplos como exemplificado a seguir Cada exemplo possui atributos de entrada e um rótulo de classe correspondente a1 a2 a3 rótulo da classe 10 09 11 1 11 08 10 1 40 80 09 2 12 11 09 1 40 60 01 2 A partir dos dados de treinamento o algoritmo realizará predições dos rótulos de classe para novos dados Para os valores de atributos de entrada 5 7 1 um algoritmo de classificação poderia predizer o rótulo de classe 2 Essa predição será o resultado da classificação realizada pelo algoritmo No kNN a predição do rótulo de classe para novos valores de atributos de entrada dados de teste é realizada da seguinte forma 1 Calcule a distância entre os valores dos atributos de entrada passados dados de teste e cada um dos exemplos nos dados de treinamento utilize distância Euclidiana 2 Determine quais são os k exemplos mais próximos ou seja os que tem as k menores distâncias O valor de k é definido previamente 3 O rótulo de classe predito resultado da classificação será aquele mais frequente dentre os rótulos dos k exemplos mais próximos Demonstração de classificação considerando os dados de treinamento da tabela anterior e os valores de atributos de entrada 5 7 1 1 Distância entre os valores dos atributos de entrada de teste 5 7 1 e cada um dos exemplos de treinamento o cálculo da distância considera apenas os atributos de entrada no caso a1 a2 e a3 a1 a2 a3 rótulo da classe distância 10 09 11 1 730 11 08 10 1 732 40 80 09 2 142 12 11 09 1 702 40 60 01 2 168 2 Para k3 os k mais próximos são destacados a seguir a1 a2 a3 rótulo da classe distância 40 80 09 2 142 40 60 01 2 168 12 11 09 1 702 10 09 11 1 730 11 08 10 1 732 3 Entre os k3 exemplos mais próximos o rótulo de classe mais frequente é o 2 Portanto o resultado da predição é 2 Classes a serem implementadas Devem ser implementadas as classes KNN e ExcecaoDadosInvalidos Além disso também submeta o código das classes Exemplo e ListaExemplos Essas duas classes foram descritas em Bonus Parte 1 Lista de exemplos e são necessárias para a implementação da classe KNN acesso package Classe ExcecaoDadosInvalidos subclasse de Exception não é RuntimeException esta exceção é lançada pelo método predizer quando a quantidade de atributos de entrada é inválida mais detalhes na descrição do método predizer da classe KNN public int getQtdAtributosTreinamento retorna a quantidade de atributos de entrada nos dados de treinamento Esse valor deve ser sido armazenado dentro da instância da exceção no momento em que a exceção é criada public int getQtdAtributosPredizer retorna a quantidade de atributos de entrada do parâmetro passado ao método predizer Esse valor deve ser sido armazenado dentro da instância da exceção no momento em que a exceção é criada acesso public Classe KNN public KNNint k construtor que recebe k e armazena na instância da classe public void setDadosTreinamentoListaExemplos lista armazena uma lista de exemplos como conjunto de dados de treinamento public int predizerdouble atributosEntrada recebe valores dos atributos de entrada dados de teste e retorna o rótulo de classe predito pelo algoritmo kNN conforme procedimento descrito no início do enunciado deste exercício Esse método predizer deve lançar exceção em algumas situações Chamar o método predizer sem possuir dados de treinamento deve ser lançada uma exceção do tipo Exception com o texto Dados de treinamento nao inicializado observe que não há acento na mensagem Use o seguinte construtor já existente na classe Exception ExceptionString message Chamar o método predizer com um exemplo que possui quantidade de atributos diferente da quantidade de atributos dos exemplos de treinamento deve ser lançada uma exceção do tipo ExcecaoDadosInvalidos informado a quantidade de atributos de entrada nos exemplos de treinamento e nos dados passados para o método predizer Importante O programa principal já existe no sistema de correção automática Submeta apenas as classes especificadas todas devem estar no pacote classificacao A classes não podem realizar impressão de dados javautil ou utilizar import Os códigos submetidos não podem utilizar métodos prontos para ordenação por exemplo sort Para ordenação implemente um método e inclua na submissão Também não use o termo sort em nenhuma parte do código Casos de teste Formato dos casos de teste que aparecem ao avaliar as classes no sistema de correção automática Entrada Sequência de operações no formato instanciarListaExemplos qtdMax lista índice lista adicionarExemplo qtdatributosentrada valores dos atributos de entrada rótulo da classe instanciarKNN k knn setDadosTreinamento índice da lista de exemplos knn predizer qtdatributosentrada valores dos atributos de entrada Saída Verificação das classes Operações executadas e saídas obtidas Referências Faceli K Lorena A C Gama J Almeida T A Carvalho A C P L F 2021 Inteligência Artificial Uma Abordagem de Aprendizado de Máquina 2a edição LTC Um dos testes é realizado com parte do conjunto de dados Iris httpsarchiveicsuciedumldatasetsIris VPL Bonus2 Parte 1 Lista de exemplos Seguir para Este é o Ambiente Virtual de Aprendizagem da UFABC para apoio ao ensino presencial e semipresencial Esta plataforma permite que os usuários educadoresalunos possam criar cursos gerenciálos e participar de maneira colaborativa Informação Conheça a UFABC Conheça o NTI Conheça o Netel Contato Av dos Estados 5001 Bairro Bangu Santo André SP Brasil CEP 09210580 Siganos Universidade Federal do ABC Moodle 2023 Português Brasil ptbr English en Português Brasil ptbr Obter o aplicativo para dispositivos móveis DA2MCTA01813SA Programação Orientada a Objetos Paulo Henrique Pisani e Diogo Santana Martins 20232 Painel Meus cursos POO DA2MCTA01813SA 20232 Bônus 2 Bonus2 Parte 2 Algoritmo de classificação Bonus2 Parte 2 Algoritmo de classificação Data de entrega sexta 11 Ago 2023 2359 Arquivos requeridos ListaExemplosjava KNNjava Baixar Tipo de trabalho Trabalho individual Parte 2 Algoritmo de classificação Na área de Aprendizado de Máquina Faceli et al 2021 um algoritmo que pode ser usado para classificação e regressão é o kVizinhos mais próximos kNearest Neighbours kNN Neste exercício deverá ser implementada uma versão para classificação conforme descrito a seguir kNN Antes de ser utilizado para classificação o algoritmo precisa de dados de treinamento Os dados de treinamento serão representados por uma lista de exemplos como exemplificado a seguir Cada exemplo possui atributos de entrada e um rótulo de classe correspondente a1 a2 a3 rótulo da classe 10 09 11 1 11 08 10 1 40 80 09 2 12 11 09 1 40 60 01 2 A partir dos dados de treinamento o algoritmo realizará predições dos rótulos de classe para novos dados Para os valores de atributos de entrada 5 7 1 um algoritmo de classificação poderia predizer o rótulo de classe 2 Essa predição será o resultado da classificação realizada pelo algoritmo No kNN a predição do rótulo de classe para novos valores de atributos de entrada dados de teste é realizada da seguinte forma 1 Calcule a distância entre os valores dos atributos de entrada passados dados de teste e cada um dos exemplos nos dados de treinamento utilize distância Euclidiana 2 Determine quais são os k exemplos mais próximos ou seja os que tem as k menores distâncias O valor de k é definido previamente 3 O rótulo de classe predito resultado da classificação será aquele mais frequente dentre os rótulos dos k exemplos mais próximos Demonstração de classificação considerando os dados de treinamento da tabela anterior e os valores de atributos de entrada 5 7 1 1 Distância entre os valores dos atributos de entrada de teste 5 7 1 e cada um dos exemplos de treinamento o cálculo da distância considera apenas os atributos de entrada no caso a1 a2 e a3 a1 a2 a3 rótulo da classe distância 10 09 11 1 730 11 08 10 1 732 40 80 09 2 142 12 11 09 1 702 40 60 01 2 168 2 Para k3 os k mais próximos são destacados a seguir a1 a2 a3 rótulo da classe distância 40 80 09 2 142 40 60 01 2 168 12 11 09 1 702 10 09 11 1 730 11 08 10 1 732 3 Entre os k3 exemplos mais próximos o rótulo de classe mais frequente é o 2 Portanto o resultado da predição é 2 Classes a serem implementadas Devem ser implementadas as classes KNN e ExcecaoDadosInvalidos Além disso também submeta o código das classes Exemplo e ListaExemplos Essas duas classes foram descritas em Bonus Parte 1 Lista de exemplos e são necessárias para a implementação da classe KNN acesso package Classe ExcecaoDadosInvalidos subclasse de Exception não é RuntimeException esta exceção é lançada pelo método predizer quando a quantidade de atributos de entrada é inválida mais detalhes na descrição do método predizer da classe KNN public int getQtdAtributosTreinamento retorna a quantidade de atributos de entrada nos dados de treinamento Esse valor deve ser sido armazenado dentro da instância da exceção no momento em que a exceção é criada public int getQtdAtributosPredizer retorna a quantidade de atributos de entrada do parâmetro passado ao método predizer Esse valor deve ser sido armazenado dentro da instância da exceção no momento em que a exceção é criada acesso public Classe KNN public KNNint k construtor que recebe k e armazena na instância da classe public void setDadosTreinamentoListaExemplos lista armazena uma lista de exemplos como conjunto de dados de treinamento public int predizerdouble atributosEntrada recebe valores dos atributos de entrada dados de teste e retorna o rótulo de classe predito pelo algoritmo kNN conforme procedimento descrito no início do enunciado deste exercício Esse método predizer deve lançar exceção em algumas situações Chamar o método predizer sem possuir dados de treinamento deve ser lançada uma exceção do tipo Exception com o texto Dados de treinamento nao inicializado observe que não há acento na mensagem Use o seguinte construtor já existente na classe Exception ExceptionString message Chamar o método predizer com um exemplo que possui quantidade de atributos diferente da quantidade de atributos dos exemplos de treinamento deve ser lançada uma exceção do tipo ExcecaoDadosInvalidos informado a quantidade de atributos de entrada nos exemplos de treinamento e nos dados passados para o método predizer Importante O programa principal já existe no sistema de correção automática Submeta apenas as classes especificadas todas devem estar no pacote classificacao A classes não podem realizar impressão de dados javautil ou utilizar import Os códigos submetidos não podem utilizar métodos prontos para ordenação por exemplo sort Para ordenação implemente um método e inclua na submissão Também não use o termo sort em nenhuma parte do código Casos de teste Formato dos casos de teste que aparecem ao avaliar as classes no sistema de correção automática Entrada Sequência de operações no formato instanciarListaExemplos qtdMax lista índice lista adicionarExemplo qtdatributosentrada valores dos atributos de entrada rótulo da classe instanciarKNN k knn setDadosTreinamento índice da lista de exemplos knn predizer qtdatributosentrada valores dos atributos de entrada Saída Verificação das classes Operações executadas e saídas obtidas Referências Faceli K Lorena A C Gama J Almeida T A Carvalho A C P L F 2021 Inteligência Artificial Uma Abordagem de Aprendizado de Máquina 2a edição LTC Um dos testes é realizado com parte do conjunto de dados Iris httpsarchiveicsuciedumldatasetsIris VPL Bonus2 Parte 1 Lista de exemplos Seguir para UFABC Este é o Ambiente Virtual de Aprendizagem da UFABC para apoio ao ensino presencial e semipresencial Esta plataforma permite que os usuários educadoresalunos possam criar cursos gerenciálos e participar de maneira colaborativa Informação Conheça a UFABC Conheça o NTI Conheça o Netel Contato Av dos Estados 5001 Bairro Bangu Santo André SP Brasil CEP 09210580 Siganos Universidade Federal do ABC Moodle 2023 Português Brasil ptbr English en Português Brasil ptbr Obter o aplicativo para dispositivos móveis