AIOPKol2

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style("whitegrid")
%matplotlib inline

#1
#1.1  Definisite niz od 1000 neuredjenih elemenata sa Normalnom Gausovom raspodelom.(2.5p)
X = np.random.rand(1000,1)
#1.2  Koristeci for petlju prikazite sve elemente ovog niza tako sto ce svake iteracije petlje biti ispisan po jedan element.(2.5p)
for i in X:
   print(i)
#1.3. Iscrtati ovaj niz naredbom hist(). (2.5p)
histogram = plt.hist(X, 100)
plt.show(histogram)
#1.4. Proceniti srednju vrednost niza na osnovu histograma. (2.5p)
srednja_vrednost = np.mean(X)
print(srednja_vrednost)

#2
#2.1. Ucitati iris dataset. Iscrtati ovaj dataset koristeci naredbe scatter() koristeći prvi i četvrti atribut, tako da su odgovarajuce klase oznacene razlicitim bojama (recimo, red, green, blue).  (2.5p)
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data[:, :4]
y = iris.target
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Set1,edgecolor='k')
#2.2. podeliti dataset na trening i test, koristeci se iskljucivo naredbom train_test_split. (2.5p)
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test  = train_test_split(X, y, test_size=0.2)
#2.3. izracunati tacnost na test skupu KNN klasifikatora. (2.5p)
from sklearn.neighbors import KNeighborsClassifier
classifier = KNeighborsClassifier(n_neighbors=5)
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
from sklearn.metrics import classification_report, confusion_matrix
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))
#2.4. podaci u matrici x imaju cetiri kolone koji predstavljaju odgovarajuce mere cveta. Koje 2 kombinacije ovih parametara daju po vama najvecu tacnost klasifikacije. Detaljno komentarisati i obrazloziti. (Uputstvo. recimo kolone 2 i 4 kada se same koriste za klasifikaciju, bolje su od ostalih parova kolona 1 i 2, ili 2 i 3 itd.)(2.5p)

#3
#3.1. Napraviti dataset od 1000 instanci. Dataset treba da ima 3 atributa sa Gausovim normalnim raspodelama tako što će
#svaki atribut imati različitu varijansu i srednju vrednost (po izboru). Dataset treba da ima 2 klase, a svaka klasa će imati po 500 instanci.(2.5p)
x10 = np.random.rand(500,1)
x11 = np.random.rand(500,1) * 2+3
x12 = np.random.rand(500,1) * 3+5
X1 = np.hstack([x10,x11,x12])
X1.shape

x20 = np.random.rand(500,1)
x21 = np.random.rand(500,1) *  0.8 + 3
x22 = np.random.rand(500,1) *    1 + 5
X2 = np.hstack([x20,x21,x22])
X2.shape
#3.2. iscrtati ovaj dataset koristeci naredbe scatter(), tako da su odgovarajuce klase oznacene razlicitim bojama (recimo, red, green, blue). (2.5p)
plt.scatter(X1[:,0], X1[:,1])
plt.scatter(X2[:,0], X2[:,1], c=u'r')
#3.3. podeliti dataset na trening i test, koristeci se iskljucivo naredbom cross_val_score, gde je CV=10. (2.5p)
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=1)
from sklearn.model_selection import cross_val_score
cross_val_score(model, X,y, cv=10)
#3.4. izracunati tacnost na test skupu LDA klasifikatora. (2.5p)
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
lda = LinearDiscriminantAnalysis()
lda.fit(X_train, y_train)
print('Accuracy of LDA classifier on training set: {:.2f}'
     .format(lda.score(X_train, y_train)))
print('Accuracy of LDA classifier on test set: {:.2f}'
     .format(lda.score(X_test, y_test)))