gusev_vladislav_lab_1 is ready

gusev_vladislav_lab_1/README.md

@@ -0,0 +1,28 @@
+### Вариант 9
+### Задание на лабораторную работу:
+По данным, построить графики 3 моделей:
+- Персептрон  
+- Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01) 
+- Многослойный персептрон с 100-а нейронами в скрытом слое (alpha = 0.01)
+
+Данные: make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1) 
+
+### Как запустить лабораторную работу:
+Выполняем файл gusev_vladislav_lab_1.py, на экране будет нарисовано 3 графика
+
+### Технологии
+NumPy - библиотека для работы с многомерными массивами. Mathplotlib - библиотека для визуализации данных двумерной и трехмерной графикой. Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
+
+### По коду
+Используем функцию make_classification, чтобы сгенерировать 500 примеров с 2 признаками. Дополнительные параметры определяют характеристики данных, такие как количество информативных признаков и случайное распределение классов.
+
+С помощью train_test_split разделяем данные на обучающую и тестовую выборки в соотношении 70% к 30%.
+
+Далее создаются 3 модели: персептрон, многослойный персептрон с 10 нейронами в скрытом слое и многослойный персептрон с 100 нейронами в скрытом слое.Модели обучаются на обучающих данных с использованием метода fit.
+
+Обученные модели используются для предсказания классов на тестовых данных с помощью метода predict.
+Затем с помощью accuracy_score оцениваем точности предсказаний моделей на тестовом наборе данных.
+
+Далее создаем графики для каждой модели, где каждая точка данных отображается на графике с цветом, соответствующим предсказанному классу. В заголовках написана точность для каждой модели. Отображаем графики с помощью plt.show().
+
+Полученные графики: ![Figure_1.png](Figure_1.png)

gusev_vladislav_lab_1/gusev_vladislav_lab_1.py

@@ -0,0 +1,55 @@
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.datasets import make_classification
+from sklearn.linear_model import Perceptron
+from sklearn.neural_network import MLPClassifier
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score
+
+# Создание искусственных данных
+rs = np.random.RandomState(42)
+#n_samples - число примеров, n_features - признаки, n_redindant - лишние признаки, n_informative - информативные признаки
+#random_state - rs для воспроизводимости данных, n_clusters_per_class - 1 кластер классов
+X, y = make_classification(n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
+
+# Разделение данных на обучающий и тестовый наборы
+#test_size=0.3 - 30% тестов
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=rs)
+
+# Модель персептрона
+perceptron = Perceptron()
+perceptron.fit(X_train, y_train)
+y_pred_perceptron = perceptron.predict(X_test)
+accuracy_perceptron = accuracy_score(y_test, y_pred_perceptron)
+
+# Модель многослойного персептрона с 10 нейронами
+mlp_10 = MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)
+mlp_10.fit(X_train, y_train)
+y_pred_mlp_10 = mlp_10.predict(X_test)
+accuracy_mlp_10 = accuracy_score(y_test, y_pred_mlp_10)
+
+# Модель многослойного персептрона с 100 нейронами
+mlp_100 = MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs)
+mlp_100.fit(X_train, y_train)
+y_pred_mlp_100 = mlp_100.predict(X_test)
+accuracy_mlp_100 = accuracy_score(y_test, y_pred_mlp_100)
+
+# Визуализация данных
+plt.figure(figsize=(12, 4))
+
+# Персептрон
+plt.subplot(131)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_perceptron, cmap=plt.cm.Paired)
+plt.title(f'Персептрон (Точность: {accuracy_perceptron:.2f})')
+
+# Многослойный персептрон с 10 нейронами
+plt.subplot(132)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_mlp_10, cmap=plt.cm.Paired)
+plt.title(f'MLP (10 нейронов) (Точность: {accuracy_mlp_10:.2f})')
+
+# Многослойный персептрон с 100 нейронами
+plt.subplot(133)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_mlp_100, cmap=plt.cm.Paired)
+plt.title(f'MLP (100 нейронов) (Точность: {accuracy_mlp_100:.2f})')
+
+plt.show()