Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ABRIL
Apellidos ____________________________________________________
Nombre _____________________________________________________
DNI _________________________________________________________
INSTRUCCIONES
• Se permite el uso de TODO el código generado por el alumno a lo largo de las
sesiones prácticas.
• Se permite el uso de material de teoría (apuntes, libros, ejercicios…)
• Sólo se permite el acceso a internet cuando el alumno haya terminado el
examen, para subir sus respuestas a moodle.
• Las preguntas de este examen se resuelven utilizando funciones de Matlab que
debe haber usado en las prácticas realizadas durante el curso. Por esta razón,
NO SE RESPONDERÁN PREGUNTAS SOBRE MATLAB. Si tiene alguna duda,
utilice el comando help
• Como resultado del examen deberá subir a Moodle en la actividad creada a tal
efecto un ÚNICO fichero comprimido que tendrá el nombre
“TSM_ExamenAbril_ApellidosNombre.zip” que contendrá:
o El presente archivo en formato ¡PDF! en el que se responda a las
preguntas planteadas en el examen (de forma gráfica, numérica o con
una breve explicación, según corresponda). Este archivo deberá ir
encabezado por los apellidos, el nombre y el DNI del alumno. El nombre
de este archivo deberá ser “TSM_ExamenAbril_ApellidosNombre.pdf”
o Todo el código que se haya utilizado para resolver el examen.
Ejercicio 1 (5 ptos).
Cargue el fichero datosEx_4312_LinReg
La primera columna indica la duración total de firmas, y la segunda columna el tiempo
de pendown (tiempo en que el boli está en contacto con el papel) de esas mismas
firmas.
Pregunta 1.1 (0.25 ptos). Pinte los datos (duración total frente a tiempo de pendown),
etiquetando los ejes correctamente.
Pregunta 1.2 (0.25 ptos). ¿Tiene sentido el aspecto de los datos de la figura
anterior?¿Cree que se podrán ajustar bien con un predictor lineal? Comente
BREVEMENTE
A mayor duración de la firma, en general mayor duración del tiempo de pendown, que
es lo que se observa en la gráfica.
Sí, los datos siguen aproximadamente una recta (son linealmente dependientes) con lo
cual se ajustarán bien con un predictor lineal.
Encuentre la recta que mejor ajusta los datos anteriores utilizando el método de
descenso por gradiente (si necesita inicializar algún parámetro, hágalo a valor 0).
Pregunta 1.3 (1 ptos). Pinte a continuación la evolución de la función de coste a lo
largo de las iteraciones (etiquete en la gráfica los ejes según corresponda).
Solución para: Alfa=0.5
Pregunta 1.4 (0.25 ptos). ¿Cuál es el valor INICIAL que ha obtenido para la función de
coste (valor para los datos de inicialización)?
J en iter 0: J0= 0.0416 (valor de la función de coste ANTES de la primera iteración Æ
este es el que se pide y tiene que coincidir para todo el mundo)
J en iter 1: J1= 0.0125 (valor de la función de coste DESPUÉS de la primera iteración
para alfa=0.5 Æ este dependerá del alfa escogido)
Pregunta 1.5 (0.25 ptos). ¿Cuál es el valor FINAL que ha obtenido para la función de
coste (valor en la última iteración)?
J en iter 400: J400= 5.1560e‐004
Pregunta 1.6 (0.5 ptos). ¿Cuál es el valor de los parámetros que definen su predictor
lineal?
Theta0= 0.026745 Theta1= 0.714031
Pregunta 1.7 (0.5 ptos). ¿Qué valor de α ha utilizado?¿Es adecuado?¿Por qué?
Alfa=0.5 Æ ADECUADO el algoritmo converge (se aplana) en pocas iteraciones
Pregunta 1.8 (1 ptos). Pinte a continuación SOBRE LA MISMA GRÁFICA los datos y la
recta que mejor los ajusta según el método de descenso por gradiente ejecutado
anteriormente (etiquete los ejes según corresponda).
Pregunta 1.9 (0.25 ptos). Suponiendo una firma de entrada de duración 1.1 segundos
¿cuál será la predicción de tiempo de pen‐down que hará el sistema diseñado?
Tpd(1.1)= 0.8147
Implemente ahora un sistema equivalente al anterior, pero resolviendo esta vez la
ecuación normal.
Pregunta 1.10 (0.5 ptos). ¿Cuál es el valor de los parámetros que definen su nuevo
predictor lineal?¿Es el esperado?
Theta0= 0.024059 Theta1=0.721951
Sí, coincide con el calculado por descenso por gradiente
Pregunta 1.11 (0.25 ptos). ¿Cuál es el valor de la función de coste para estos nuevos
parámetros?¿Es el esperado?
Jeqn= 5.1484e‐004
Sí, coincide con el valor de la función de coste al que convergía el descenso por
gradiente
Ejercicio 2. Regresión Logística
Cargue el fichero datosEx_4312_LogReg.mat
Al igual que en el caso anterior, la primera columna de la matriz indica la duración total
de una serie de firmas de una persona y la segunda columna el tiempo de pen‐down
de esas mismas firmas. La tercera columna indica si la firma es genuina (valor 1) o una
imitación (valor 0).
Pregunta 2.1 (0.25 ptos). Pinte los datos en una figura de tal forma que se distinga
claramente qué firmas son genuinas y cuáles imitaciones.
Entrene un clasificador de regresión logística que, para los datos anteriores, prediga
qué firmas son genuinas y cuáles imitaciones (si necesita inicializar algún parámetro,
hágalo a valor 0)
Pregunta 2.2 (1 ptos). Pinte a continuación la evolución de la función de coste a lo
largo de las iteraciones (etiquete en la gráfica los ejes según corresponda).
Solución para: Alfa=1
Pregunta 2.2 (0.25 ptos). ¿Cuál es el valor INICIAL que ha obtenido para la función de
coste (valor para los datos de inicialización)?
J iter 0: J0=0.693147
Pregunta 2.3 (0.25 ptos). ¿Cuál es el valor FINAL que ha obtenido para la función de
coste (valor en la última iteración)?
J iter 1.000.000: 0.0073 (óptimo absoluto 0.0072123) Æ cualquier cosa en el rango,
vale. Para llegar a ese óptimo habría que hacer un número absurdo de iteraciones.
Pregunta 2.4 (0.5 ptos). ¿Cuál es el valor de los parámetros que definen su
clasificador?
Theta0= 64.971788 Theta1= -205.280539 Theta2= 153.819012
El óptimo absoluto es: Theta0= 40.95 Theta1= ‐127.847 Theta2= 94.763Æ cualquier
cosa en el rango (incluso lejano), vale
Pregunta 2.5 (0.25 ptos). ¿Qué valor de α ha utilizado?¿Es adecuado?¿Por qué?
Alfa=1 Æ ADECUADO el algoritmo converge (se aplana) en (relativamente) pocas
iteraciones
Pregunta 2.6 (0.75 ptos). Pinte a continuación SOBRE LA MISMA GRÁFICA los datos y
el clasificador calculado suponiendo un umbral de decisión sobre el valor de la
hipótesis de 0.5 (etiquete los ejes según corresponda).
Pregunta 2.7 (0.25 ptos). Calcule (visualmente sobre la gráfica o por código, según
prefiera) el error positivo, error negativo y error total de clasificación cometido por el
clasificador anterior.
Epos=0 Eneg=0/12 Etot=0/24
Pregunta 2.8 (0.5 ptos). Suponiendo una firma de entrada de duración total 0.58
segundos y de tiempo de pen‐down 0.35 segundos ¿cuál será la probabilidad de que
pertenezca a la clase positiva?¿A qué clase le asignará el clasificador asumiendo un
umbral de decisión de 0.5 (umbral de decisión sobre el valor de la hipótesis)?
Prob(y=1)=0.4366
Clase=0
Pregunta 2.9 (0.5 ptos). Suponga que ahora cambia el umbral de decisión a 0.001
(sobre el valor de la hipótesis). Pinte SOBRE LA MISMA GRÁFICA los datos y la nueva
frontera de decisión.
Pregunta 2.10 (0.25 ptos). Calcule (visualmente sobre la gráfica o por código, según
prefiera) el error positivo, error negativo y error total de clasificación cometido por el
clasificador anterior.
Epos=0/12 Eneg=2/12 Etot=2/24
Pregunta 2.11 (0.25 ptos). Suponiendo una firma de entrada de duración total 0.58
segundos y de tiempo de pen‐down 0.35 segundos ¿cuál será la probabilidad de que
pertenezca a la clase positiva?¿A qué clase le asignará el clasificador asumiendo un
umbral de decisión de 0.001 (umbral de decisión sobre el valor de la hipótesis)?
Prob(y=1)=0.4366
Clase=1