Merge pull request 'volkov_rafael_lab_1 is done' (#249) from volkov_rafael_lab_1 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/249

volkov_rafael_lab_1/app.py

@@ -0,0 +1,60 @@
+import numpy as np
+from flask import Flask, request, render_template
+from sklearn.datasets import make_circles
+from sklearn.neural_network import MLPClassifier
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score
+import matplotlib.pyplot as plt
+from mlxtend.plotting import plot_decision_regions
+
+app = Flask(__name__)
+
+@app.route('/')
+def home():
+    return render_template('index.html')
+
+@app.route('/compare_models', methods=['POST'])
+def compare_models():
+    # Генерация данных
+    rs = 0
+    X, y = make_circles(noise=0.2, factor=0.5, random_state=rs)
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=rs)
+
+    # Персептрон
+    perceptron = MLPClassifier(hidden_layer_sizes=(1,), max_iter=1000, alpha=0.01)
+    perceptron.fit(X_train, y_train)
+    perceptron_score = accuracy_score(y_test, perceptron.predict(X_test))
+
+    # Многослойный персептрон с 10-ю нейронами в скрытом слое
+    mlp_10 = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, alpha=0.01)
+    mlp_10.fit(X_train, y_train)
+    mlp_10_score = accuracy_score(y_test, mlp_10.predict(X_test))
+
+    # Многослойный персептрон со 100-ю нейронами в скрытом слое
+    mlp_100 = MLPClassifier(hidden_layer_sizes=(100,), max_iter=1000, alpha=0.01)
+    mlp_100.fit(X_train, y_train)
+    mlp_100_score = accuracy_score(y_test, mlp_100.predict(X_test))
+
+    # Создание графиков
+    plt.figure(figsize=(12, 4))
+
+    plt.subplot(131)
+    plot_decision_regions(X_test, y_test, clf=perceptron, legend=2)
+    plt.title('Персептрон\n(Accuracy: {:.2f})'.format(perceptron_score))
+
+    plt.subplot(132)
+    plot_decision_regions(X_test, y_test, clf=mlp_10, legend=2)
+    plt.title('MLP (10 нейронов)\n(Accuracy: {:.2f})'.format(mlp_10_score))
+
+    plt.subplot(133)
+    plot_decision_regions(X_test, y_test, clf=mlp_100, legend=2)
+    plt.title('MLP (100 нейронов)\n(Accuracy: {:.2f})'.format(mlp_100_score))
+
+    plt.tight_layout()
+
+    plt.savefig('static/models_comparison.png')
+
+    return render_template('index.html', result=True)
+
+if __name__ == '__main__':
+    app.run(debug=True)

volkov_rafael_lab_1/readme.md

@@ -0,0 +1,39 @@
+Общее 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.
+
+8 вариант:
+Данные: make_circles (noise=0.2, factor=0.5, 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)
+
+Запуск осуществляется через файл app.py
+
+
+Технологии:
+
+Flask: Веб-фреймворк для Python, используется для создания веб-приложения.
+NumPy: Библиотека для работы с массивами и матрицами, используется для генерации данных.
+scikit-learn: Библиотека для машинного обучения, используется для построения и обучения моделей.
+Matplotlib: Библиотека для визуализации данных, используется для создания графиков.
+mlxtend: Библиотека для визуализации решающих границ.
+Описание работы программы:
+
+При запуске приложения через Flask создается веб-сервер.
+Пользователь открывает веб-страницу, которая содержит кнопку "Compare Models".
+При нажатии на кнопку генерируются данные (make_circles) и тренируются три модели: Perceptron, MLP с 10 нейронами и MLP с 100 нейронами.
+Для каждой модели строятся графики с решающими границами и вычисляется точность модели на тестовых данных.
+Результаты (графики и точности) отображаются на веб-странице.
+Входные данные:
+
+Нет явных входных данных от пользователя. Данные генерируются программой (make_circles).
+Выходные данные:
+
+Визуализация решающих границ для трех моделей (Perceptron, MLP с 10 нейронами, MLP с 100 нейронами).
+Точность каждой модели на тестовых данных отображается на веб-странице.

volkov_rafael_lab_1/templates/index.html

@@ -0,0 +1,38 @@
+<!DOCTYPE html>
+<html lang="en">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>Model Comparison</title>
+    <style>
+        body {
+            font-family: Arial, sans-serif;
+        }
+        h1 {
+            text-align: center;
+        }
+        .container {
+            display: flex;
+        }
+    </style>
+</head>
+<body>
+    <h1>Model Comparison</h1>
+
+    {% if result %}
+    <div class="container">
+        <div class="model-container">
+            <img src="{{ url_for('static', filename='models_comparison.png') }}" alt="Perceptron">
+        </div>
+        <div class="model-container">
+        </div>
+        <div class="model-container">
+        </div>
+    </div>
+    {% endif %}
+
+    <form action="/compare_models" method="post">
+        <button type="submit">Compare Models</button>
+    </form>
+</body>
+</html>