58 lines
3.3 KiB
Markdown
58 lines
3.3 KiB
Markdown
|
# Лабораторная 1
|
|||
|
|
|
|||
|
|
## Задание
|
|||
|
|
Сгенерируйте определенный тип данных и сравнить на нем 3 модели (по варианту 9). Построить графики, отобразить качество моделей, объяснить полученные результаты
|
|||
|
|
|
|||
|
|
## Данные
|
|||
|
|
|
|||
|
|
make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
|
|||
|
|
- 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
|
|||
|
|
|
|||
|
|
|
|||
|
|
### Используемые библиотеки
|
|||
|
|
- scikit-learn
|
|||
|
|
- numpy
|
|||
|
|
- matplotlib
|
|||
|
|
|
|||
|
|
### Шаги программы
|
|||
|
|
|
|||
|
|
1. **Генерация данных:**
|
|||
|
|
- Используется функция `make_classification` из библиотеки scikit-learn.
|
|||
|
|
- Создаются два признака, и данные разделяются на два класса.
|
|||
|
|
- Используется 500 сэмплов.
|
|||
|
|
|
|||
|
|
2. **Разделение данных:**
|
|||
|
|
- Данные разделяются на обучающий и тестовый наборы с использованием `train_test_split` из scikit-learn.
|
|||
|
|
- Размер тестового набора установлен в 20% от общего размера.
|
|||
|
|
|
|||
|
|
3. **Создание моделей:**
|
|||
|
|
- Три модели создаются с использованием библиотеки scikit-learn:
|
|||
|
|
- Персептрон
|
|||
|
|
- Многослойный персептрон с 10 нейронами в скрытом слое
|
|||
|
|
- Многослойный персептрон с 100 нейронами в скрытом слое
|
|||
|
|
|
|||
|
|
4. **Обучение и Оценка:**
|
|||
|
|
- Каждая модель обучается на обучающем наборе данных.
|
|||
|
|
- Производится оценка каждой модели на тестовом наборе с использованием метрики точности (`accuracy`).
|
|||
|
|
|
|||
|
|
5. **Визуализация данных и Границ Решения:**
|
|||
|
|
- Для каждой модели строится график, на котором отображаются точки тестового набора и граница решения модели.
|
|||
|
|
- Каждый график снабжен названием, указывающим на модель и ее точность.
|
|||
|
|
|
|||
|
|
### Запуск программы
|
|||
|
|
- Склонировать или скачать код `main.py`.
|
|||
|
|
- Запустите файл в среде, поддерживающей выполнение Python.
|
|||
|
|
|
|||
|
|
### Результаты
|
|||
|
|
- Можно проанализировать точность на графиках и понять,
|
|||
|
|
что самая точная из 3 моделей оказалась Многослойный персептрон со 100-а нейронами в скрытом слое.
|
|||
|
|
- Многослойный персептрон со 100-а нейронами: 0.96
|
|||
|
|
- Многослойный персептрон с 10-ю нейронами: 0.90
|
|||
|
|
- Персептрон: 0.86
|
|||
|
|
|