report2.md

لطفا توجه داشته باشین تا جایی که شده در کد کامنت گذاشته شده و با markdown هم بالای اکثر قسمت ها توضیح داده شده

در این قسمت اول باید از بین ویژگی هایی که دست اوردیم قرار است بهترین ها را انتخاب کنیم و برای آن از معیار هایی که در این قسمت تعریف میکنیم استفاده میکنیم

این معیار ها به صورت زیر هستند:

1. incremental + f1 + correlation

2. decremental + f1 + correlation

3. روشی که در صورت پروژه گفته شده بود انتخاب کنیم

incremental + f1 + correlation

در این روش ابتدا فیچری که بیشترین دقت اف وان را دارد انتخاب میکنیم و سپس تک به تک به آن فیچر اضافه میکنیم اگر دقت اف وان بیشتر شد و میزان شباهات کمتر از 0.5 یا بزرگتر از -0.5 بود اضافه میکنیم و اگر نبود اضافه نمیکنیم

decremental + f1 + correlation

در این روش ابتدا تمام فیچر ها را اضافه میکنیم و سپس تک به تک از آن ها حذف میکنیم اگر دقت اف وان کمتر شد و میزان شباهات کمتر از 0.5 یا بزرگتر از -0.5 بود حذف میکنیم و اگر نبود حذف نمیکنیم

روش 3

در این روش دقت و شباهت را بدست می اوریم و ان را تبدیل به یک عدد میکنیم و بر اساس آن سورت میکنیم و فیچر هایی که بالای 80 هستند را انتخاب میکنیم

دو تابع برای شباهت زده شده که یکی بیشترین را بر میگرداند و یکی میانگین 
دو تابع برای دقت 
accuracy
recall

در مرحله بعد دیتا ها را خوشه بندی میکنیم و هر خوشه را با کلسیفایر آموزش میدهیم و دقتش را بدست می آوریم خوشه بندی را با روش های زیر انجام میدهیم: kmeans that haves five clusters زیرا 5 گروه داریم و سپس هر کدام از خوشه ها را آموزش میدهیم و مشاهده میکنیم که سرعت و دقت افزایش یافته است

در مرحله اخر نیز با 4 حالت کلاس بندی میکنیم a e b e c e ab e cd e ab cd

ab cd e و دقت هر کدام را مشاهده میکنیم

https://github.com/DevNerds2020/EEG-signals-machine-learning