-
Notifications
You must be signed in to change notification settings - Fork 0
/
HKZaliczeniowe.Rmd
183 lines (160 loc) · 6.2 KB
/
HKZaliczeniowe.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
---
title: "HKZaliczeniowe1"
author: "Hanna Kranas"
date: "25 kwietnia 2017"
output: pdf_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
```{r, echo=FALSE, include=FALSE}
library(stringr)
library(HMM)
library(tm)
Sys.setlocale("LC_CTYPE", "polish") #konieczne żeby mi działały polskie znaki
```
```{r, echo = FALSE}
wczytaj_i_przygotuj <- function(nazwa_pliku='pan-tadeusz.txt', polskie = TRUE){
plik <- readLines(nazwa_pliku) #wczytuje plik
Encoding(plik) <- 'UTF-8' #zmieniam kodowanie na odpowiednie
plik <- tryCatch(plik[1:which(plik == '-----')-1],error = function(e) plik, finally= {}) #usuwam wszystko po ----- (jeśli jest w pliku)
plik <- gsub("[[:punct:]…—\t[:digit:]]", "", plik) #usuwam wszystkie znaki przestankowe
plik <- tolower(plik[plik!=""]) #usuwam puste
if(polskie){
cat('POLSKIE LITERY! ąę!')
} else {
plik <- iconv(plik,from="UTF-8",to="ASCII//TRANSLIT") #bez polskich
}
return(plik)
}
daj_symbole <- function(obserwacja){
cat('dlugosc obserwacji: ')
cat(length(obserwacja))
#ta funkcja ekstrachuje wszystkie unikalne elementy - czyli dla nas symbole
symbole <- unique(obserwacja)
return(symbole)
}
symuluj <- function(obserwacja,stany){
#ta funkcja robi hmm i baumaWelcha (uczy się)
symbole <- daj_symbole(obserwacja)
macierz_emisji <- c()
for(i in 1:length(stany)){
x <- rep(1/length(symbole),length(symbole))
x <- x + rnorm(length(symbole),0,1/1000000) #dajemy małe zaburzenie
x <- abs(x)/sum(abs(x)) #i poprawiamy zeby sie sumowaly do jedynki dalej
macierz_emisji <- c(macierz_emisji,x)
}
print('Macierz emisji gotowa')
hmm <- initHMM(stany,symbole,NULL,NULL,matrix(macierz_emisji,nrow = length(stany),ncol = length(symbole), byrow = TRUE))
#prob <- function (x) {x / sum (x)} # Makes it a probability (it sums to 1)
#symbole <- c(letters," ")
#hmm <- initHMM (stany, symbole, startProbs=(prob (runif (length(stany)))),
#transProbs=apply (matrix (runif (length(stany)*length(stany)), length(stany)), 1, prob),
#emissionProbs=apply (matrix (runif (length(stany)*length(symbole)), length(stany)), 1, prob))
print('Hmm zrobiony')
print(hmm)
wynik <- baumWelch(hmm,obserwacja)#zwiekszanie maxIterations nie pomaga
#post_prwdp <- posterior(wynik$hmm, obserwacja)
return(wynik) #zwracam baumaWelcha calego
}
litery <- function(przygotowany_plik=wczytaj_i_przygotuj()){
obserwacja <- unlist(strsplit(przygotowany_plik, ''))
obserwacja <- obserwacja[!is.na(obserwacja)]
stany <- c('pierwszy','drugi')
wynik <- symuluj(obserwacja,stany)
return(wynik)
}
slowa <- function(przygotowany_plik=wczytaj_i_przygotuj()){
#słowa wymagają trochę więcej przygotowań
plik <- unlist(strsplit(przygotowany_plik," "))
obserwacja <- unlist(str_sub(plik[plik!=""],start=-3))
obserwacja <- obserwacja[!is.na(obserwacja)]
print(obserwacja)
#stany <- c('pierwszy','drugi','trzeci','czwarty','piaty')
stany <- c('pierwszy','drugi')
wynik <- symuluj(obserwacja,stany)
return(wynik)
}
testuj <- function(litery_nie_slowa = TRUE, nazwa_pliku = 'pan-tadeusz.txt', polskie = TRUE){
if(litery_nie_slowa){
wynik <- litery(wczytaj_i_przygotuj(nazwa_pliku, polskie))}
else {
wynik <- slowa(wczytaj_i_przygotuj(nazwa_pliku, polskie))}
return(wynik)
}
#litery
#zrobic observation - literami, na ich podstawie wygenerowac wystepujace litery.
#sprawdzic co z polskimi znakami
#przygotowac 2 stany
#zrobic hmm
#dac bauma-welsha
#obejrzec
#pomyslec jak zwizualizowac
#słowa
#jakims str_sub ze stringr albo ze stringi wyciagnac sufiksy 3 literowe (sprawdzic jak w przypadku krotszych slow!)
#juz mamy przygotowane observation w tym momencie
#przygotowac 5 stanow
#hmm
#baum-welsh
#obejrzec
#wizualizacja
#jak wytrenowanym zrobic nowy zbior - poszukac
#wybrac wiersze
#zasymulowac tym wyuczonym
#raport np w markdownie i do pdf/html
```
# Litery z polskimi znakami
```{r}
#litery
lit_polskie <- testuj() # z polskimi
save(lit_polskie, file = "litery-polskie.RData")
grupy <- lit_polskie$hmm$emissionProbs["pierwszy",]-lit_polskie$hmm$emissionProbs["drugi",]
#jak ujemne to bardziej drugi
print('To jest grupa pierwsza:')
cat(names(grupy[grupy>=0]))
print('To jest grupa druga:')
cat(names(grupy[grupy<0]))
```
# Litery bez polskich znaków
```{r}
lit_bezpolskie <- testuj(polskie = FALSE) #bez polskich
save(lit_bezpolskie, file = "litery-bezpolskie.RData")
grupy <- lit_bezpolskie$hmm$emissionProbs["pierwszy",]-lit_bezpolskie$hmm$emissionProbs["drugi",]
#jak ujemne to bardziej drugi
print('To jest grupa pierwsza:')
cat(names(grupy[grupy>=0]))
print('To jest grupa druga:')
cat(names(grupy[grupy<0]))
#mozna jeszcze plotowac posteriori odjete i patrzec gdzie wiecej samoglosek
```
# Słowa, bez polskich znaków
```{r, eval = FALSE}
slowa_bezpolskie <- testuj(litery_nie_slowa = FALSE,polskie=FALSE)
save(slowa_bezpolskie, file = "slowa.RData")
head(slowa_bezpolskie$hmm$emissionProbs)
```
#Przygotowanie danych
Ponieważ ani R ani Python nie radziły sobie z usuwaniem niektórych znaków, usunięte zostały w notepadzie.
![R - nie](eR.PNG)
![Python - nie](python.PNG)
![Notepad++ na ratunek!](notepad.PNG)
Przygotowanie danych wykonane jednak zostało głównie w R:
```{r, eval = FALSE}
wczytaj_i_przygotuj <- function(nazwa_pliku='pan-tadeusz.txt', polskie = TRUE){
plik <- readLines(nazwa_pliku) #wczytuje plik
Encoding(plik) <- 'UTF-8' #zmieniam kodowanie na odpowiednie
plik <- tryCatch(plik[1:which(plik == '-----')-1],error = function(e) plik, finally= {}) #usuwam wszystko po ----- (jeśli jest w pliku)
plik <- gsub("[[:punct:]…—[:digit:]]", "", plik) #usuwam wszystkie znaki przestankowe
plik <- tolower(plik[plik!=""]) #usuwam puste
if(polskie){
cat('POLSKIE LITERY! ąę!')
} else {
plik <- iconv(plik,from="UTF-8",to="ASCII//TRANSLIT") #bez polskich
}
return(plik)
}
```
```{r, include = FALSE, echo = FALSE}
#jesli chodzi o slowa, to mozliwe ze za male sa te prawdopodobienstwa ale jeszcze zobaczymy co wymyslimy jutro - moze jakies klastrowanie? moze jakies podmienianie?
# albo zaraportować i napisać że sufiksy 2literowe lub zrobic klastrowanie sufiksów
```