64 lines
3.4 KiB
Markdown
64 lines
3.4 KiB
Markdown
|
# Лабораторная работа №1: Работа с типовыми наборами данных и различными моделями
|
|||
|
|
## Задание. Вариант 7
|
|||
|
|
Всего вариантов 21, мой вариант 28, поэтому взял 7 вариант
|
|||
|
|
|
|||
|
|
Задание:
|
|||
|
|
Используя 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.
|
|||
|
|
|
|||
|
|
7. Данные: make_moons (noise=0.3, random_state=rs) 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)
|
|||
|
|
|
|||
|
|
## Описание программы
|
|||
|
|
|
|||
|
|
Программа создает и сравнивает три модели машинного обучения на основе датасета make_moons с использованием библиотеки
|
|||
|
|
scikit-learn. Сравниваются следующие модели:
|
|||
|
|
|
|||
|
|
1. Персептрон
|
|||
|
|
2. Многослойный персептрон с 10 нейронами в скрытом слое (alpha = 0.01)
|
|||
|
|
3. Многослойный персептрон с 100 нейронами в скрытом слое (alpha = 0.01)
|
|||
|
|
|
|||
|
|
## Как запустить лабораторную работу
|
|||
|
|
|
|||
|
|
1. Установите необходимые библиотеки:
|
|||
|
|
|
|||
|
|
```bash
|
|||
|
|
pip install numpy matplotlib scikit-learn
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
2. Запустите скрипт:
|
|||
|
|
|
|||
|
|
```bash
|
|||
|
|
python main.py
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
3. После выполнения программы будет создан файл "models.png" с тремя графиками, представляющими результаты каждой модели.
|
|||
|
|
|
|||
|
|
## Использованные технологии
|
|||
|
|
|
|||
|
|
- Python
|
|||
|
|
- scikit-learn
|
|||
|
|
- Matplotlib
|
|||
|
|
|
|||
|
|
## Что программа делает
|
|||
|
|
|
|||
|
|
Программа генерирует датасет make_moons, разделяет его на обучающий и тестовый наборы, затем обучает и сравнивает
|
|||
|
|
три модели машинного обучения. Результаты представлены в виде точности каждой модели и трех графиков.
|
|||
|
|
|
|||
|
|
## Тесты
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
## Вывод
|
|||
|
|
|
|||
|
|
_Полученные результаты показывают, что многослойный персептрон с 100 нейронами в скрытом слое демонстрирует наивысшую
|
|||
|
|
точность среди рассмотренных моделей. В то время как простой персептрон и многослойный персептрон с 10 нейронами в
|
|||
|
|
скрытом слое показывают приемлемую, но более низкую точность. Таким образом, увеличение числа нейронов в скрытом
|
|||
|
|
слое существенно повысило производительность модели._
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|