Merge pull request 'zhukova_alina_lab_1 is ready' (#64) from zhukova_alina_lab_1 into main
Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/64
This commit is contained in:
commit
346241253f
194
zhukova_alina_lab_1/flask-server.py
Normal file
194
zhukova_alina_lab_1/flask-server.py
Normal file
@ -0,0 +1,194 @@
|
||||
import array
|
||||
import math
|
||||
import random
|
||||
|
||||
import matplotlib.pyplot as plt
|
||||
import numpy as np
|
||||
from matplotlib.colors import ListedColormap
|
||||
from sklearn.model_selection import train_test_split
|
||||
from sklearn.datasets import make_moons, make_circles, make_classification
|
||||
from sklearn.neural_network import MLPClassifier
|
||||
from sklearn.linear_model import LinearRegression, Lasso, Ridge, Perceptron
|
||||
from sklearn.metrics import accuracy_score
|
||||
|
||||
from flask import Flask
|
||||
|
||||
app = Flask(__name__)
|
||||
|
||||
@app.route("/")
|
||||
def home():
|
||||
return "<html>" \
|
||||
"<h1>Жукова Алина ПИбд-41</h1>" \
|
||||
"<h1>Лабораторная работа №1</h1>" \
|
||||
"<table>" \
|
||||
"<td>" \
|
||||
"<form Action='http://127.0.0.1:5000/k4_1_task_1' Method=get>" \
|
||||
"<input type=submit value='Работа с типовыми наборами данных и различными моделями'>" \
|
||||
"</form>" \
|
||||
"</td>" \
|
||||
"</table>" \
|
||||
"</html>"
|
||||
|
||||
|
||||
# Работа с типовыми наборами данных и различными моделями
|
||||
# сгенерируйте определенный тип данных и сравните на нем 3 модели
|
||||
# 10.Данные: make_moons (noise=0.3, random_state=rs)
|
||||
# Модели:
|
||||
# · Линейную регрессию
|
||||
# · Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
|
||||
# · Многослойный персептрон со 100-а нейронами в скрытом слое (alpha = 0.01)
|
||||
@app.route("/k4_1_task_1", methods=['GET'])
|
||||
def k4_1_task_1():
|
||||
X, y = make_classification(n_features=2, n_redundant=0, n_informative=2,
|
||||
random_state=0, n_clusters_per_class=1)
|
||||
rng = np.random.RandomState(2)
|
||||
X += 2 + rng.uniform(size=X.shape)
|
||||
linearly_dataset = (X, y)
|
||||
cm_bright = ListedColormap(['#FF0000', '#0000FF'])
|
||||
cm_bright2 = ListedColormap(['#FF000066', '#0000FF66'])
|
||||
moon_dataset = make_moons(noise=0.3, random_state=0)
|
||||
circles_dataset = make_circles(noise=0.2, factor=0.5, random_state=1)
|
||||
datasets = [moon_dataset, circles_dataset, linearly_dataset]
|
||||
|
||||
X, y = moon_dataset
|
||||
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=42)
|
||||
|
||||
ridge_regression = Ridge(alpha=3, random_state=240)
|
||||
ridge_regression.fit(X_train, y_train)
|
||||
linear_accuracy = str(ridge_regression.score(X_test, y_test))
|
||||
|
||||
plt.subplot(1, 3, 1)
|
||||
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
|
||||
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright2)
|
||||
|
||||
x_min = moon_dataset[0][:, 0].min()
|
||||
g_min = None
|
||||
y_min = None
|
||||
x_max = moon_dataset[0][:, 0].max()
|
||||
g_max = None
|
||||
y_max = None
|
||||
for k in range(-21, 50):
|
||||
elem = np.array([[x_min, k / 20]])
|
||||
getted = ridge_regression.predict(elem)
|
||||
if (g_min == None or math.fabs(0.5 - getted) < math.fabs(0.5 - g_min)):
|
||||
g_min = getted
|
||||
y_min = elem[0][1]
|
||||
else:
|
||||
if(math.fabs(0.5 - getted) > math.fabs(0.5 - g_min)):
|
||||
break
|
||||
|
||||
for k in range(-21, 50):
|
||||
elem = np.array([[x_max, k / 20]])
|
||||
getted = ridge_regression.predict(elem)
|
||||
if (g_max == None or math.fabs(0.5 - getted) < math.fabs(0.5 - g_max)):
|
||||
g_max = getted
|
||||
y_max = elem[0][1]
|
||||
else:
|
||||
if(math.fabs(0.5 - getted) > math.fabs(0.5 - g_max)):
|
||||
break
|
||||
|
||||
x = ridge_regression.predict(X_test)
|
||||
plt.plot([x_min, x_max], [y_min, y_max], label="line", color="yellow")
|
||||
# plt.show()
|
||||
|
||||
# Перцептрон 10 скрытых слоев
|
||||
perceptr = MLPClassifier(random_state=1, max_iter=2000, n_iter_no_change=20, activation="tanh",
|
||||
alpha=0.01, hidden_layer_sizes=[10,], tol=0.00000001)
|
||||
perceptr.fit(X_train, y_train)
|
||||
prediction = perceptr.predict(X_test)
|
||||
perceptron_accuracy = str(accuracy_score(y_test, prediction))
|
||||
prediction = perceptr.predict(moon_dataset[0])
|
||||
perceptron_accuracy_all = str(accuracy_score(moon_dataset[1], prediction))
|
||||
|
||||
params_set = []
|
||||
y_elem = None
|
||||
g_elem = None
|
||||
|
||||
for data_elem in moon_dataset[0]:
|
||||
for k in range(-21, 50):
|
||||
elem = np.array([[data_elem[0], k / 20]])
|
||||
getted = perceptr.predict(elem)
|
||||
if (g_elem == None and getted == 0):
|
||||
params_set.append([data_elem[0], -21 / 20])
|
||||
g_elem = None
|
||||
else:
|
||||
if(getted == 1 and (getted == g_elem or g_elem == None)):
|
||||
g_elem = getted
|
||||
y_elem = elem[0][1]
|
||||
else:
|
||||
params_set.append([data_elem[0], y_elem])
|
||||
g_elem = None
|
||||
break
|
||||
|
||||
if (g_elem != None):
|
||||
params_set.append([data_elem[0], 50 / 20])
|
||||
g_elem = None
|
||||
|
||||
|
||||
params_set.sort()
|
||||
params_set = np.array(params_set)
|
||||
plt.subplot(1, 3, 2)
|
||||
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
|
||||
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright2)
|
||||
plt.plot(params_set[:, 0], params_set[:, 1], label="line", color="yellow")
|
||||
# plt.show()
|
||||
|
||||
# Перцептрон 100 скрытых слоев
|
||||
perceptr100 = MLPClassifier(random_state=1, max_iter=2000, n_iter_no_change=20, activation="tanh",
|
||||
alpha=0.01, hidden_layer_sizes=[100, ], tol=0.00000001)
|
||||
perceptr100.fit(X_train, y_train)
|
||||
prediction = perceptr100.predict(X_test)
|
||||
perceptron100_accuracy = str(accuracy_score(y_test, prediction))
|
||||
prediction = perceptr100.predict(moon_dataset[0])
|
||||
perceptron100_accuracy_all = str(accuracy_score(moon_dataset[1], prediction))
|
||||
|
||||
params_set = []
|
||||
y_elem = None
|
||||
g_elem = None
|
||||
|
||||
for data_elem in moon_dataset[0]:
|
||||
for k in range(-21, 30):
|
||||
elem = np.array([[data_elem[0], k / 20]])
|
||||
getted = perceptr100.predict(elem)
|
||||
if (g_elem == None and getted == 0):
|
||||
params_set.append([data_elem[0], -21 / 20])
|
||||
g_elem = None
|
||||
else:
|
||||
if(getted == 1 and (getted == g_elem or g_elem == None)):
|
||||
g_elem = getted
|
||||
y_elem = elem[0][1]
|
||||
else:
|
||||
params_set.append([data_elem[0], y_elem])
|
||||
g_elem = None
|
||||
break
|
||||
|
||||
if (g_elem != None):
|
||||
params_set.append([data_elem[0], 30 / 20])
|
||||
g_elem = None
|
||||
|
||||
|
||||
params_set.sort()
|
||||
params_set = np.array(params_set)
|
||||
plt.subplot(1, 3, 3)
|
||||
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
|
||||
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright2)
|
||||
plt.plot(params_set[:, 0], params_set[:, 1], label="line", color="yellow")
|
||||
plt.show()
|
||||
|
||||
|
||||
return "<html>" \
|
||||
"<h1>Работа с типовыми наборами данных и различными моделями</h1>" \
|
||||
"<h2>Вариант 10. Данные: make_moons (noise=0.3, random_state=rs)</h2>" \
|
||||
"<h2>Модели:\n 1) Линейная регрессия" \
|
||||
"\n 2) Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)" \
|
||||
"\n 3) Многослойный персептрон со 100-а нейронами в скрытом слое (alpha = 0.01)</h2>" \
|
||||
"<h2>Оценка точности линейной регрессии: " + linear_accuracy + "</h2>" \
|
||||
"<h2>Оценка точности (тестовые данные) перцептрона 10 нейронов в скрытом слое: " + perceptron_accuracy + "</h2>" \
|
||||
"<h2>Оценка точности (тестовые данные) перцептрона 100 нейронов в скрытом слое: " + perceptron100_accuracy + "</h2>" \
|
||||
"<h2>Оценка точности (все точки) перцептрона 10 нейронов в скрытом слое: " + perceptron_accuracy_all + "</h2>" \
|
||||
"<h2>Оценка точности (все точки) перцептрона 100 нейронов в скрытом слое: " + perceptron100_accuracy_all + "</h2>" \
|
||||
"</html>"
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
app.run(debug=True)
|
||||
BIN
zhukova_alina_lab_1/img_screen_1.png
Normal file
BIN
zhukova_alina_lab_1/img_screen_1.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 8.1 KiB |
BIN
zhukova_alina_lab_1/img_screen_2.png
Normal file
BIN
zhukova_alina_lab_1/img_screen_2.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 70 KiB |
BIN
zhukova_alina_lab_1/img_screen_3.png
Normal file
BIN
zhukova_alina_lab_1/img_screen_3.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 49 KiB |
60
zhukova_alina_lab_1/readme.md
Normal file
60
zhukova_alina_lab_1/readme.md
Normal file
@ -0,0 +1,60 @@
|
||||
## Задание
|
||||
Работа с типовыми наборами данных и различными моделями.
|
||||
Сгенерируйте определенный тип данных и сравните на нем 3 модели
|
||||
|
||||
Вариант №10
|
||||
|
||||
Данные: make_moons (noise=0.3, random_state=rs)
|
||||
|
||||
Модели:
|
||||
+ Линейная регрессия
|
||||
+ Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
|
||||
+ Многослойный персептрон со 100-а нейронами в скрытом слое (alpha = 0.01)
|
||||
|
||||
## Используемые технологии
|
||||
В лабораторной были использованы библиотеки:
|
||||
+ numpy - позволяет работать с массивами и матрицами
|
||||
+ matplotlib - используется для создания графиков
|
||||
+ sklearn - используется для работы с моделями машинного обучения
|
||||
+ Flask - предоставляет способ быстрого создания веб-страниц для визуализации работы приложения
|
||||
|
||||
## Как запустить
|
||||
Запустить файл flask-server, который поднимет локальный сервер
|
||||
и позволит обратиться к программе через браузер по ссылке [http://127.0.0.1:5000/](http://127.0.0.1:5000/)
|
||||
|
||||
## Что делает программа
|
||||
Генерирует набор данных типа луны (moons), делит его на обучающую и тестовую выборки.
|
||||
По очереди обучает на данных обучающей выборки 3 модели:
|
||||
модель линейной регрессии, модель многослойного перцептрона с 10 нейронами в скрытом слое и
|
||||
модель многослойного перцептрона со 100 нейронами в скрытом слое.
|
||||
|
||||
После обучения проверяются предсказания моделей на тестовых данных. Строится три графика, по одному для каждой модели,
|
||||
где `#FF0000`, `#0000FF` - точки обучающей выборки первого и второго типа.
|
||||
|
||||
`#FF000066`, `#0000FF66` - точки тестовой выборки первого и второго типа
|
||||
|
||||
`#FFFF00` - линия по которой модель разделила данные на группы
|
||||
|
||||
Далее программа выведет оценки точности моделей. Полученные оценки:
|
||||
+ Линейная регрессия - 0.68
|
||||
+ Перцептрон с 10 нейронами в скрытом слое - 0.95
|
||||
+ Перцоптрон со 100 нейронами в скрытом слое - 0.95
|
||||
|
||||
Так как для двух последних моделей оценки оказались одинаковы,
|
||||
я сравнила их точность на всех данных, а не только на тестовой выборке.
|
||||
|
||||
+ Точность Перцептрона с 10 нейронами в скрытом слое - 0.91
|
||||
+ Точность Перцептрона со 100 нейронами в скрытом слое - 0.95
|
||||
|
||||
## Скриншоты работы программы
|
||||
Главная страница в браузере (доступ по ссылке [http://127.0.0.1:5000/](http://127.0.0.1:5000/))
|
||||
|
||||
|
||||
Полученные графики разбиения точек на классы
|
||||
|
||||
Линейная регрессия - Перцептрон 10 нейронов - Перцептрон 100 нейронов
|
||||
|
||||
|
||||
Вывод анализа точности работы моделей
|
||||
|
||||
|
||||
Loading…
Reference in New Issue
Block a user