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

tsyppo_anton_lab_1/README.md

@@ -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
+
+_Полученные 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._
+
+---
+

tsyppo_anton_lab_1/main.py

@@ -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()