47 lines
3.1 KiB
Markdown
47 lines
3.1 KiB
Markdown
|
# Лабораторная работа №6. Вариант 21
|
|||
|
|
|
|||
|
|
## Тема:
|
|||
|
|
Нейронная сеть
|
|||
|
|
|
|||
|
|
## Модель:
|
|||
|
|
|
|||
|
|
MLPClassifier
|
|||
|
|
|
|||
|
|
## Как запустить программу:
|
|||
|
|
Установить *python, numpy, matplotlib, sklearn*
|
|||
|
|
```
|
|||
|
|
python lab.py
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
## Какие технологии использовались:
|
|||
|
|
Язык программирования Python, библиотеки numpy, matplotlib, sklearn
|
|||
|
|
|
|||
|
|
Среда разработки VSCode
|
|||
|
|
|
|||
|
|
# Что делает лабораторная работа:
|
|||
|
|
|
|||
|
|
В ходе исследования нейронных сетей, в особенности многослойных перцептронов (MLP), был проведен тщательный анализ влияния архитектуры сети на её производительность в задаче классификации стадий сердечных заболеваний. Эксперименты с различными конфигурациями слоев и их размерами позволили более глубоко понять, какие параметры сети оказывают наибольшее влияние на точность прогнозов.
|
|||
|
|
|
|||
|
|
В качестве MLP в коде использовался класс ```sklearn.neural_network.MLPClassifier``` и целевой задачей являлось предсказание наличие болезни сердца (0 - отсутствует, а 1,2,3,4 - стадии)
|
|||
|
|
|
|||
|
|
Процесс подготовки данных и обучение MLP представлен на изображении ниже и ```качество оценки составило 0.83```, данное число представляет точность оценки и вычисляется как отношение правильных ответов к общему количеству ответов. Важно отметить, что данный MLP состоял только из ```одного скрытого слоя с размером = 100```.
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
При MLP, содержащим два скрытых состояния с размерами ```300``` и ```100``` соответственно получилось добиться ```точности в примерно 0.92```.
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
При MLP, содержащим четыре скрытых состояния с размерами ```150, 100, 50 и 50 ```соответственно получилось добиться ```точности в 0.95```.
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
При MLP, который содержит 5 слоев с размерами ```100, 400, 600, 400, 100```, то есть самая большая с точки зрения архитектуры модель имеет наилучший показать точности.
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
## Вывод
|
|||
|
|
|
|||
|
|
На основе проведенных экспериментов можно сделать вывод, что при усложнении архитектуры нейронной сети мы получаем улучшение в ее качестве.
|
|||
|
|
|
|||
|
|
|