38 lines
3.4 KiB
Markdown
38 lines
3.4 KiB
Markdown
|
# Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
|
|||
|
|
### Вариант № 7
|
|||
|
|
Лабораторная работа 1. Работа с типовыми наборами данных и различными моделямиИспользуя код из пункта «Регуляризация и сеть прямого распространения»из [1](стр. 228), сгенерируйте определенный тип данных и сравните на нем 3 модели (по варианту). Постройте графики, отобразите качество моделей, объясните полученные результаты.
|
|||
|
|
|
|||
|
|
**Задание по варианту**
|
|||
|
|
**Данные**: make_moons (noise=0.3, random_state=rs) <br/>
|
|||
|
|
**Модели**:-Персептрон · Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01) · Многослойный персептрон со 100-а нейронами в скрытом слое (alpha = 0.01)
|
|||
|
|
|
|||
|
|
|
|||
|
|
***
|
|||
|
|
## *Как запустить лабораторную работу:*
|
|||
|
|
Чтобы запустить программу, открываем файл laba1 в PyCharm и запускаем с помощью команды run
|
|||
|
|
***
|
|||
|
|
## *Использованные технологии:*
|
|||
|
|
**Scikit-learn** - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
|
|||
|
|
|
|||
|
|
**Matplotlib** — это комплексная библиотека для создания статических, анимированных и интерактивных визуализаций на Python.
|
|||
|
|
|
|||
|
|
**NumPy** — это фундаментальный пакет для научных вычислений на Python.
|
|||
|
|
***
|
|||
|
|
## *Что делает программа:*
|
|||
|
|
В данной работе генерируется определенный тип данных (при помощи генератора линейных задач make_moons). На данном типе данных проверяется работа трёх моделей.
|
|||
|
|
|
|||
|
|
**Результатом работы программы** являются: вывод показателей качества моделей (в консоли) и 3 изображения с графиками, на которых показаны сами данные, разбитые на два класса (тренировочные и тестовые).
|
|||
|
|
***
|
|||
|
|
## *Пример выходных данных:*
|
|||
|
|
>Вывод в консоли:
|
|||
|
|
|
|||
|
|
<img src="result/console.png" />
|
|||
|
|
|
|||
|
|
>Получившиеся графики
|
|||
|
|
|
|||
|
|
<img src="result/result.png" />
|
|||
|
|
|
|||
|
|
***
|
|||
|
|
**Вывод**: Для сгенерированного типа данных лучшей моделью оказалась модель многослойного персептрона со 100 нейронами (с точностью 0.91), а худшей модель персептона без скрытого слоя. Чем больше нейронов в скрытом слое - тем точнее результат.
|
|||
|
|
|