Inline doc.

Dataset.h

@@ -1,5 +1,12 @@
 #pragma once
 
+/*
+- Stwórz klasę `Dataset`, zawierającą:
+    - wektor obiektów klasy `Sample`,
+    - metodę `push_back()`, dodającą nową próbkę do wektora:
+        - metoda ta powinna sprawdzać, czy wektor `features` dla każdej z wprowadzanych próbek jest tej samej długości.
+*/
+
 class Dataset {
 
 };

Prediction.h

@@ -1,6 +1,11 @@
 #pragma once
 #include "Sample.h"
 
+/*
+- Stwórz klasę `Prediction`, dziedziczącą po klasie `Sample`, dodającą do niej zmienną `prediction`,
+- Rozszerz ją o metodę statyczną `accuracy()`, przyjmującą wektor obiektów klasy `Prediction`, informującą o tym, w jakim odsetku ich zmienne `label` i `prediction` mają tę samą wartość.
+*/
+
 class Prediction : Sample
 {
 

README.md

@@ -30,4 +30,4 @@
 >   Dla każdego obiektu ze zbioru testowego znajdź `k` obiektów ze zbioru uczącego, którego cechy (`features`) znajdują się w najmniejszej od niego [odległości](https://pl.wikipedia.org/wiki/Odległość). Za `prediction` uznaj `label`, który powtarza się najczęściej wśród znalezionych.
 >   
 
-- Wyświetl użytkownikowi informacje o zbiorze (nazwa pliku, liczba próbek, liczba cech) oraz jakość klasyfikacji (`accuracy()``).
+- Wyświetl użytkownikowi informacje o zbiorze (nazwa pliku, liczba próbek, liczba cech) oraz jakość klasyfikacji (`accuracy()`).

Sample.h

@@ -1,5 +1,13 @@
 #pragma once
 
+/*
+- Stwórz klasę `Sample`, zawierającą:
+    - zmienną całkowitą `label`,
+    - wektor liczb zmiennoprzecinkowych `features`,
+- w konstruktorze klasy `Sample` przyjmuj oba te parametry,
+- stwórz też dla nich *gettery*.
+*/
+
 class Sample {
 
 };

main.cpp

@@ -6,6 +6,22 @@
 #include <string>
 #include <vector>
 
+/*
+- Jako argumenty wiersza poleceń programu, przekaż nazwę pliku oraz liczbę całkowitą `k`,
+- dla celów testowych, w repozytorium znajduje się plik `wine.csv`,
+- wczytaj plik `wine.csv` do wektora obiektów typu `Sample` tak, aby pierwsza jego kolumna określała `label`, a pozostałe znalazły się w wektorze `features`,
+- stwórz dwa obiekty klasy `Dataset`. Pierwszy nazwij `train`, drugi `test`,
+- do `train` wprowadź losowe 20% wczytanych z pliku obiektów, a do `test`, resztę,
+- zaimplementuj funkcję `knn()`, zwracającą wektor obiektów klasy `Prediction` przyjmującą jako argumenty dwa obiekty typu `Dataset` (`train` i `test`) i zmienną całkowitą `k`:
+    - utwórz w niej wektor `predictions`:
+    - do utworzonego wektora wprowadź kopie wszystkich obiektów (mają typ `Sample`) znajdujących się w `test`, uzupełniając dla nich wartość `prediction`, według następującego schematu:
+
+>   Dla każdego obiektu ze zbioru testowego znajdź `k` obiektów ze zbioru uczącego, którego cechy (`features`) znajdują się w najmniejszej od niego [odległości](https://pl.wikipedia.org/wiki/Odległość). Za `prediction` uznaj `label`, który powtarza się najczęściej wśród znalezionych.
+>   
+
+- Wyświetl użytkownikowi informacje o zbiorze (nazwa pliku, liczba próbek, liczba cech) oraz jakość klasyfikacji (`accuracy()`).
+*/
+
 using namespace std;
 
 vector <Prediction *> knn(Dataset *train, Dataset *test, int k);