Multiple iterations implemented, more functions

Kandi.tex

@@ -36,7 +36,7 @@
 \floatname{algorithm}{Algoritmi}
 \renewcommand{\algorithmicrequire}{\textbf{Syöte:}}
 \renewcommand{\algorithmicensure}{\textbf{Tuloste:}}
-
+\renewcommand{\algorithmicreturn}{\textbf{Palauta}}
 %\makeatletter
 %\renewcommand{\listalgorithmname}{List of \ALG@name s}
 %\makeatother
@@ -96,7 +96,7 @@
 
 %%%%%%%%%
 
-\chapter{Kiitokset -- Acknowledgements}\label{epkiit}
+\chapter*{Kiitokset -- Acknowledgements}\label{epkiit}
 
 %Tämän tutkielman aikana on tullut esiin takuujärjestelmään liittyvät ongelmat ja sovellusalueen yhteiskunnallinen merkitys. 
 Tutkielman teko on ollut minulle erityisen mielekästä antoisan aiheen ja mieleisten yhteistyökumppanien vuoksi. Olen kirjoittanut tämän kandidaatintutkielman yhteistyössä Helsingin yliopiston tietojenkäsittelytieteen osaston apulaisprofessorin Michael Mathioudakiksen ja tohtoritutkijan Antti Hyttisen kanssa. He tarjosivat minulle aiheen ja merkittävää tukea sekä tärkeitä kommentteja tämän tutkielman kirjoittamisen aikana.
@@ -118,7 +118,7 @@ Tämän tutkielman on tarkastanut XYZ. %Haluan kiittää kaikkia edellä mainitt
 
 \chapter{Johdanto}\label{johd}
 
-Tämän tutkielman tavoitteena on luoda kausaalipäättelyn avulla algoritmi, jolla voimme arvioida ennustavien mallien tarkkuutta, kun käytettävissä on ainoastaan valikoitumisharhasta kärsivää aineistoa. Samankaltaista asetelmaa ovat julkaisuissaan käsitelleet muun muassa Lakkaraju ja Madras \cite{lakkaraju17, madras18}. Pyrin tutkielmassani luomaan joustavamman ja tarkemman vaihtoehdon Lakkarajun luomalle supistusalgoritmille, mutta esitän ensin yleistä taustaa kausaalipäättelystä ja valikoitumisharhasta.
+Tämän tutkielman tavoitteena on luoda kausaalipäättelyn avulla algoritmi, jolla voimme arvioida ennustavien mallien todellista ennustuskykyä, kun käytettävissä on ainoastaan valikoitumisharhasta kärsivää aineistoa. Samankaltaista asetelmaa ovat julkaisuissaan käsitelleet muun muassa Lakkaraju ja Madras \cite{lakkaraju17, madras18}. Pyrin tutkielmassani luomaan joustavamman ja tarkemman vaihtoehdon Lakkarajun luomalle supistusalgoritmille, mutta esitän ensin yleistä taustaa kausaalipäättelystä ja valikoitumisharhasta.
 
 %Tässä kappaleessa esittelen tutkielman taustaa ja yhdysvaltalaisen oikeuslaitoksen takuukäsittelyprosessin yleisellä tasolla. Sen jälkeen paneudun hieman vangitsemispäätöksen yhteiskunnalliseen merkitykseen: minkä takia ihmisiä vangitaan ja mitä perusteita on vangitsemattajättämispäätökselle. Pyrin luvun aikana myös hieman selvittämään takuujärjestelmän käyttöä Suomessa ja kappaleen lopussa pohdin hieman kausaalipäättelyä paradigman muutoksena tilastotieteen kentällä. Jätän kuitenkin tarvittavien merkintöjen esittämisen kappaleeseen \emph{\nameref{kausaalimerk}} ja mallin esittelyn \emph{\nameref{kausaalimalli}}-lukuun. 
 
@@ -260,7 +260,37 @@ Muuttuja           &  Keskiarvo &   Keskihajonta &   Minimi &   25\% &   50\% &
 
 \chapter{Menetelmät}\label{metodit}
 
-Tässä kappaleessa selostan mallin laatimisessa ja arvioinnissa käyttämäni teoreettisen taustan. Koska kausaalinen malli esitetään verkkona, käyn aluksi läpi vaadittavat verkkoteoreettiset määritelmät. Esitän sen jälkeen mallini graafina ja osoitan kausaalisen vaikutuksen olevan identifioituva.
+Tässä kappaleessa esitän tutkielmassani käyttämät metodit. Selostan supistusalgoritmin toiminnan kappaleessa \ref{contraction} sekä kausaalisen mallin laatimisessa ja arvioinnissa käyttämäni teoreettisen taustan kappaleissa \ref{verkot}. Koska kausaalinen malli esitetään verkkona, käyn aluksi läpi vaadittavat verkkoteoreettiset määritelmät. Esitän sen jälkeen mallini graafina ja osoitan kausaalisen vaikutuksen olevan identifioituva.
+
+\section{Supistusalgoritmi}\label{contraction}
+
+Supistusalgoritmin on lakkarajun ....
+
+\begin{algorithm} 			% enter the algorithm environment
+\caption{Supistusalgoritmi} 		% give the algorithm a caption
+\label{contraction_alg} 			% and a label for \ref{} commands later in the document
+\begin{algorithmic}[1] 		% enter the algorithmic environment
+\REQUIRE Aineisto $\D$, todennäköisyydet $\mathcal{S}$ ja hyväksymisaste $r \in [0, 1]$
+\ENSURE failure rate at acceptance rate r
+
+\STATE Ota q hyväksyvin tuomari
+\STATE $\D_q = \{(x, j, t, y) \in \D | j = q \}$
+\STATE d q on havaintojoukko, jonka q on tuominnut
+\STATE
+\STATE $\R_q = \{(x, j, t, y) \in \D_q | t=1 \}$
+\STATE R q on D q:n joukko, jolle tulosmuuttujan arvot on havaittu
+\STATE
+\STATE Järjestä aineiston R q havainnot laskevaan järjestykseen todennäköisyyksien S mukaan ja talleta taulukkoon R sort q
+\STATE Mallin korkeariskisimmät ovat nyt listan kärjessä
+\STATE
+\STATE Ota aineistosta sort q [(1.0-r)|d q|]-[|d q|-|r q|] ensimmäistä/ylintä havaintoa ja talleta listaan r b
+\STATE r b on mallin b käsittää ne henkilöt, jolle malli b on antanut positiivisen päätöksen
+\STATE 
+\STATE Laske $u = \sum_{l=1}^{|r b|} \dfrac{y_l=0}{|d q|}$
+
+\RETURN $u$
+\end{algorithmic}
+\end{algorithm}
 
 %%%%%%%%%%
 %