Distinguere chi scrive
Perché è importante "Il tuo modo di scrivere ti identifica" sembra una storia per spaventare finché non costruisci tu il confronto. In questo laboratorio distinguerai 50 dattilografi inventati solo dai tempi, poi accenderai una semplice difesa e misurerai quanto aiuta. Finirai sapendo sia come funziona il trucco sia che cosa lo smorza.
Il piano, in parole di tutti i giorni
Immagina di imparare a riconoscere 50 persone dal loro modo di bussare. Prima ascolti ogni persona bussare quattro volte e ricordi il suo ritmo abituale. Poi qualcuno bussa e ti chiedi: a quale ritmo abituale è più vicino? È tutto il metodo.
Profilo: un riassunto del comportamento abituale di una persona, qui la media dei suoi tempi. Costruire profili da esempi noti si chiama registrazione.
Feature: un numero che descrive un esempio. Una lista di feature trasforma un evento disordinato (una frase scritta) in qualcosa che il codice può confrontare.
I dati di esercitazione
typing_samples() dal mondo di esercitazione ti dà tentativi di scrivere la frase fissa keep it private. Ogni tentativo è un dict:
{"typist": "T07",
"dwell": [96, 104, 88, ...], # 15 numbers, one per key, in milliseconds
"flight": [151, 130, 202, ...]} # 14 numbers, one per gap between keys
I dattilografi sono inventati da un generatore con un seme, con una forma vagamente simile a una normale scrittura a tastiera. Quindi l'accuratezza che misuri dice quanto bene separi questi dattilografi. Gli studi veri riportano risultati molto vari a seconda delle persone, delle tastiere e del testo; non affermiamo niente sull'accuratezza nel mondo reale.
Misurare "quanto vicino"
Per confrontare due liste di tempi, somma quanto sono distanti in ogni posizione, ignorando se la differenza è positiva o negativa. abs() di Python toglie il segno: abs(-7) è 7. zip(a, b) di Python percorre due liste affiancate:
for x, y in zip([100, 150], [90, 170]):
print(x, y, abs(x - y)) # 100 90 10, then 150 170 20
Quindi qui la distanza è 10 + 20 = 30. Una distanza più piccola significa "più simili".
La difesa: il rumore
L'opzione noise aggiunge a ogni tempo un'oscillazione casuale di circa quel numero di millisecondi, come potrebbe fare uno strumento per la privacy ritardando gli eventi dei tasti di piccole quantità casuali prima che la pagina li veda. Guarda che cosa fa alla tua accuratezza, e pensa a che cosa farebbe a chi scrive: 150 millisecondi di ritardo casuale su ogni tasto sembrerebbero lenti.
In altri linguaggi
I passi della distanza e del profilo più vicino in JavaScript:
const distance = (a, b) => a.reduce((t, x, i) => t + Math.abs(x - b[i]), 0);
function identify(features, profiles) {
let best = null, bestDist = Infinity;
for (const [name, p] of Object.entries(profiles)) {
const d = distance(features, p);
if (d < bestDist) { best = name; bestDist = d; }
}
return best;
}E la distanza in Rust:
fn distance(a: &[f64], b: &[f64]) -> f64 {
a.iter().zip(b).map(|(x, y)| (x - y).abs()).sum()
}Che cosa dovresti vedere
Senza rumore, quasi ogni tentativo viene abbinato al dattilografo giusto. Un rumore moderato (50 ms) costa un po' di accuratezza, ma la maggior parte dei tentativi viene comunque abbinata; un rumore forte (150 ms) fa crollare l'accuratezza. È il compromesso onesto: il rumore sui tempi aiuta, ma abbastanza rumore da nasconderti rende anche la scrittura più scomoda. L'ultima lezione di questo modulo guarda difese che non ti costano comodità.
Riepilogo
- Registra: fai la media dei tempi di ogni persona in un profilo.
- Identifica: scegli il profilo con la differenza totale (distanza) più piccola.
- Il rumore casuale sui tempi abbassa l'accuratezza, ma solo un rumore forte la abbassa molto, e costa comodità.
- L'accuratezza su dattilografi generati descrive il generatore, non le persone vere.
Scrivi cinque funzioni. features(sample) restituisce sample["dwell"] seguito da sample["flight"] come un'unica lista. distance(a, b) restituisce la somma di abs(x - y) sulle due liste affiancate. build_profiles(samples) restituisce un dict che associa il nome di ogni dattilografo alla media, posizione per posizione, delle sue liste di feature. identify(sample, profiles) restituisce il nome il cui profilo ha la distanza più piccola dalle feature del campione. accuracy(train, test) costruisce i profili da train e restituisce la frazione dei campioni di test che identify indovina (un numero da 0 a 1). La stampa in fondo è già scritta.
Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione
Questo esercizio si apre presto
Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.