Merge pull request 'tsyppo_anton_lab_1 is ready' (#269) from tsyppo_anton_lab_1 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/269
This commit is contained in:
Alexey 2023-12-07 15:06:21 +04:00
commit ab23daa848
3 changed files with 109 additions and 0 deletions

View File

@ -0,0 +1,63 @@
# Лабораторная работа №1: Работа с типовыми наборами данных и различными моделями
## Задание. Вариант 7
Всего вариантов 21, мой вариант 28, поэтому взял 7 вариант
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.
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)
## Описание программы
Программа создает и сравнивает три модели машинного обучения на основе датасета make_moons с использованием библиотеки
scikit-learn. Сравниваются следующие модели:
1. Персептрон
2. Многослойный персептрон с 10 нейронами в скрытом слое (alpha = 0.01)
3. Многослойный персептрон с 100 нейронами в скрытом слое (alpha = 0.01)
## Как запустить лабораторную работу
1. Установите необходимые библиотеки:
```bash
pip install numpy matplotlib scikit-learn
```
2. Запустите скрипт:
```bash
python main.py
```
3. После выполнения программы будет создан файл "models.png" с тремя графиками, представляющими результаты каждой модели.
## Использованные технологии
- Python
- scikit-learn
- Matplotlib
## Что программа делает
Программа генерирует датасет make_moons, разделяет его на обучающий и тестовый наборы, затем обучает и сравнивает
три модели машинного обучения. Результаты представлены в виде точности каждой модели и трех графиков.
## Тесты
![Графики моделей](models.png)
## Вывод
олученные результаты показывают, что многослойный персептрон с 100 нейронами в скрытом слое демонстрирует наивысшую
точность среди рассмотренных моделей. В то время как простой персептрон и многослойный персептрон с 10 нейронами в
скрытом слое показывают приемлемую, но более низкую точность. Таким образом, увеличение числа нейронов в скрытом
слое существенно повысило производительность модели._
---

View File

@ -0,0 +1,46 @@
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
# Генерируем данные
rs = 42
X, y = make_moons(n_samples=1000, noise=0.3, random_state=rs)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=rs)
def train_and_evaluate_model(model, X_train, y_train, X_test, y_test):
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
return accuracy
# Построение моделей
perceptron_model = Perceptron(random_state=rs)
perceptron_accuracy = train_and_evaluate_model(perceptron_model, X_train, y_train, X_test, y_test)
mlp_model_10_neurons = MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)
mlp_10_neurons_accuracy = train_and_evaluate_model(mlp_model_10_neurons, X_train, y_train, X_test, y_test)
mlp_model_100_neurons = MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs)
mlp_100_neurons_accuracy = train_and_evaluate_model(mlp_model_100_neurons, X_train, y_train, X_test, y_test)
# Построение графиков
plt.figure(figsize=(12, 4))
plt.subplot(131)
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap='viridis', marker='.')
plt.title("Персептрон\nТочность: {:.2f}%".format(perceptron_accuracy * 100))
plt.subplot(132)
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap='viridis', marker='.')
plt.title("Многослойный персептрон\nс 10-ю нейронами в скрытом слое\nТочность: {:.2f}%".format(mlp_10_neurons_accuracy * 100))
plt.subplot(133)
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap='viridis', marker='.')
plt.title("Многослойный персептрон\nс 100-а нейронами в скрытом слое\nТочность: {:.2f}%".format(mlp_100_neurons_accuracy * 100))
plt.tight_layout()
plt.savefig('models.png')
plt.show()

Binary file not shown.

After

Width:  |  Height:  |  Size: 52 KiB