67 lines
3.1 KiB
Python
67 lines
3.1 KiB
Python
|
import numpy as np
|
|||
|
|
import matplotlib.pyplot as plt
|
|||
|
|
from sklearn.datasets import make_moons
|
|||
|
|
from sklearn.model_selection import train_test_split
|
|||
|
|
from sklearn.linear_model import Perceptron
|
|||
|
|
from sklearn.neural_network import MLPClassifier
|
|||
|
|
from sklearn.metrics import accuracy_score
|
|||
|
|
|
|||
|
|
# ВАРИАНТ 7
|
|||
|
|
# 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)
|
|||
|
|
# Задаем random_state для воспроизводимости результатов
|
|||
|
|
|
|||
|
|
rs = 42
|
|||
|
|
|
|||
|
|
# Генерируем данные
|
|||
|
|
X, y = make_moons(n_samples=1000, noise=0.3, random_state=rs)
|
|||
|
|
|
|||
|
|
# Разделяем данные на обучающий и тестовый наборы
|
|||
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=rs)
|
|||
|
|
|
|||
|
|
# Модель 1: Персептрон
|
|||
|
|
perceptron = Perceptron(random_state=rs)
|
|||
|
|
perceptron.fit(X_train, y_train)
|
|||
|
|
y_pred_perceptron = perceptron.predict(X_test)
|
|||
|
|
accuracy_perceptron = accuracy_score(y_test, y_pred_perceptron)
|
|||
|
|
|
|||
|
|
# Модель 2: Многослойный персептрон с 10 нейронами в скрытом слое
|
|||
|
|
mlp_10_neurons = MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs, max_iter=10000)
|
|||
|
|
mlp_10_neurons.fit(X_train, y_train)
|
|||
|
|
y_pred_mlp_10_neurons = mlp_10_neurons.predict(X_test)
|
|||
|
|
accuracy_mlp_10_neurons = accuracy_score(y_test, y_pred_mlp_10_neurons)
|
|||
|
|
|
|||
|
|
# Модель 3: Многослойный персептрон с 100 нейронами в скрытом слое
|
|||
|
|
mlp_100_neurons = MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs, max_iter=10000)
|
|||
|
|
mlp_100_neurons.fit(X_train, y_train)
|
|||
|
|
y_pred_mlp_100_neurons = mlp_100_neurons.predict(X_test)
|
|||
|
|
accuracy_mlp_100_neurons = accuracy_score(y_test, y_pred_mlp_100_neurons)
|
|||
|
|
|
|||
|
|
# принт результатов
|
|||
|
|
print("Accuracy для Персептрона:", accuracy_perceptron)
|
|||
|
|
print("Accuracy для MLP с 10 нейронами в скрытом слое:", accuracy_mlp_10_neurons)
|
|||
|
|
print("Accuracy для MLP с 100 нейронами в скрытом слое:", accuracy_mlp_100_neurons)
|
|||
|
|
|
|||
|
|
# графики
|
|||
|
|
plt.figure(figsize=(12, 4))
|
|||
|
|
|
|||
|
|
# График для Персептрона
|
|||
|
|
plt.subplot(1, 3, 1)
|
|||
|
|
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_perceptron, cmap=plt.cm.Paired, s=10)
|
|||
|
|
plt.title("Perceptron")
|
|||
|
|
|
|||
|
|
# График для MLP с 10 нейронами в скрытом слое
|
|||
|
|
plt.subplot(1, 3, 2)
|
|||
|
|
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_mlp_10_neurons, cmap=plt.cm.Paired, s=10)
|
|||
|
|
plt.title("MLP (10 neurons)")
|
|||
|
|
|
|||
|
|
# График для MLP с 100 нейронами в скрытом слое
|
|||
|
|
plt.subplot(1, 3, 3)
|
|||
|
|
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_mlp_100_neurons, cmap=plt.cm.Paired, s=10)
|
|||
|
|
plt.title("MLP (100 neurons)")
|
|||
|
|
|
|||
|
|
|
|||
|
|
# Сохраняем графики в файл в папке result
|
|||
|
|
result_folder = "result"
|
|||
|
|
plt.savefig(f"{result_folder}/result.png")
|
|||
|
|
plt.show()
|