EP07_06 — 🟣 Pipeline Completo: Descrittori + k-NN + Valutazione Multi-Classe

7.18.6.1 📋 Linee Guida di Implementazione

1. Classi: Leggere l’intero \(C\) (numero di classi) seguito da \(C\) nomi di classe (stringhe senza spazi), nell’ordine in cui devono apparire nella matrice di confusione.
2. Configurazione: Leggere l’intero \(H\) (dimensione degli istogrammi), la stringa \(M\) (metrica: euclidiana o manhattan) e l’intero dispari \(k\).
3. Addestramento: Leggere l’intero \(N\) e, successivamente, \(N\) righe, ciascuna contenente il nome della classe seguito da \(H\) valori reali (l’istogramma del descrittore).
4. Test: Leggere l’intero \(Q\) e, successivamente, \(Q\) righe, ciascuna contenente il nome della classe reale seguito da \(H\) valori reali (l’istogramma del descrittore del campione di test).
5. Distanza: Per ogni campione di test, calcolare la distanza da ogni esempio di addestramento utilizzando la metrica \(M\): \[ d_{\text{euclidiana}}(u,v) = \sqrt{\sum_{j=1}^{H}(u_j-v_j)^2}, \qquad d_{\text{manhattan}}(u,v) = \sum_{j=1}^{H} |u_j - v_j|. \]
6. Classificazione k-NN: Selezionare i \(k\) esempi di addestramento più vicini (in caso di parità di distanza, dare la precedenza all’ordine di lettura, come nell’EP07_01) e classificare in base alla classe maggioritaria tra di essi. In caso di pareggio di voti tra due o più classi, scegliere quella che appare per prima nella lista di classi del punto 1.
7. Matrice di confusione: Costruire una matrice \(C \times C\) in cui la riga corrisponde alla classe reale e la colonna alla classe prevista, seguendo l’ordine delle classi del punto 1.
8. Accuratezza: Calcolare l’accuratezza globale come rapporto tra i successi e \(Q\).
9. Output: Per ogni campione di test, nell’ordine di input, stampare la classe prevista. Successivamente, stampare la matrice di confusione (una riga per classe reale, valori separati da spazi, nell’ordine delle classi). Infine, stampare l’accuratezza arrotondata a 4 cifre decimali.

7.18.6.2 📌 Vincoli Computazionali

• Metrica selezionabile: implementare entrambe le distanze; la metrica \(M\) definisce quale viene utilizzata per l’intera esecuzione (non è possibile mescolare metriche nella stessa chiamata).
• Pareggio di voti deterministico: il criterio del punto 6 (ordine della lista delle classi) deve essere seguito anche quando il pareggio coinvolge più di due classi.
• Indipendenza tra addestramento e test: non è necessario verificare che i campioni di test non appaiano nell’addestramento — si assume che l’input sia valido.

7.18.6.3 🧠 Fondamenti Teorici

Questo esercizio evidenzia, in modo controllato, un risultato discusso nel capitolo: la scelta della metrica di distanza e del valore di \(k\) può modificare la classe prevista per lo stesso campione, anche mantenendo fisso il descrittore utilizzato — rafforzando l’idea che, nel riconoscimento di pattern classico, il descrittore, la metrica e il classificatore formano un sistema interdipendente, e non componenti isolate.

7.18.6.4 📦 Specifica di Input e Output (VPL)

Input:

• Riga 1: intero \(C\) seguito da \(C\) nomi di classe.
• Riga 2: intero \(H\), stringa \(M\) e intero \(k\).
• Riga 3: intero \(N\).
• Prossime \(N\) righe di addestramento: nome della classe seguito da \(H\) reali.
• Riga successiva: intero \(Q\).
• Prossime \(Q\) righe di test: nome della classe reale seguito da \(H\) reali.

Output:

• \(Q\) righe con la classe prevista per ogni campione di test, nell’ordine di input.
• \(C\) righe con la matrice di confusione (una riga per classe reale).
• Ultima riga: Acuracia: <valore>.

7.18.6.5 📌 Esempi

%%writefile EP07_06.py
# Codice Python

Overwriting EP07_06.py

TestSuite("EP07_06.py").run()

✔️ EP07_06.cases esiste già in casos/
📋 5 caso/i caricato/i da casos/EP07_06.cases

🔍 Test di Python: EP07_06.py
⚠️ EP07_06.py: file vuoto (meno di 3 righe). Test saltati.