Merge pull request 'degtyarev_mikhail_lab_1' (#234) from degtyarev_mikhail_lab_1 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/234

degtyarev_mikhail_lab_1/Readme.md

@@ -0,0 +1,57 @@
+# Лабораторная 1
+
+## Задание
+Сгенерируйте определенный тип данных и сравнить  на  нем  3  модели  (по  варианту 9). Построить графики, отобразить качество моделей, объяснить полученные результаты
+
+## Данные
+
+make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
+- 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
+
+
+### Используемые библиотеки
+- scikit-learn
+- numpy
+- matplotlib
+
+### Шаги программы
+
+1. **Генерация данных:**
+   - Используется функция `make_classification` из библиотеки scikit-learn.
+   - Создаются два признака, и данные разделяются на два класса.
+   - Используется 500 сэмплов.
+
+2. **Разделение данных:**
+   - Данные разделяются на обучающий и тестовый наборы с использованием `train_test_split` из scikit-learn.
+   - Размер тестового набора установлен в 20% от общего размера.
+
+3. **Создание моделей:**
+   - Три модели создаются с использованием библиотеки scikit-learn:
+     - Персептрон
+     - Многослойный персептрон с 10 нейронами в скрытом слое
+     - Многослойный персептрон с 100 нейронами в скрытом слое
+
+4. **Обучение и Оценка:**
+   - Каждая модель обучается на обучающем наборе данных.
+   - Производится оценка каждой модели на тестовом наборе с использованием метрики точности (`accuracy`).
+
+5. **Визуализация данных и Границ Решения:**
+   - Для каждой модели строится график, на котором отображаются точки тестового набора и граница решения модели.
+   - Каждый график снабжен названием, указывающим на модель и ее точность.
+
+### Запуск программы
+- Склонировать или скачать код `main.py`.
+- Запустите файл в среде, поддерживающей выполнение Python.
+
+### Результаты
+- Можно проанализировать точность на графиках и понять,
+что самая точная из 3 моделей оказалась Многослойный персептрон со 100-а нейронами в скрытом слое.
+- Многослойный персептрон со 100-а нейронами: 0.96
+- Многослойный персептрон с 10-ю нейронами: 0.90
+- Персептрон: 0.86
+

degtyarev_mikhail_lab_1/main.py

@@ -0,0 +1,54 @@
+import matplotlib.pyplot as plt
+import numpy as np
+from sklearn.datasets import make_classification
+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
+
+# Установите random_state, чтобы результаты были воспроизводимыми
+rs = 42
+
+# Генерация данных
+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
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=rs)
+
+# Создание моделей
+models = [
+    ('Perceptron', Perceptron(random_state=rs)),
+    ('MLP (10 neurons)', MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)),
+    ('MLP (100 neurons)', MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs))
+]
+
+# Обучение и оценка моделей
+results = {}
+
+plt.figure(figsize=(15, 5))
+
+for i, (name, model) in enumerate(models, 1):
+    plt.subplot(1, 3, i)
+    model.fit(X_train, y_train)
+    y_pred = model.predict(X_test)
+    accuracy = accuracy_score(y_test, y_pred)
+    results[name] = accuracy
+
+    # Разбиение точек на классы
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=plt.cm.Paired, edgecolors='k')
+
+    # Построение границы решения для каждой модели
+    h = .02  # Шаг сетки
+    x_min, x_max = X_test[:, 0].min() - 1, X_test[:, 0].max() + 1
+    y_min, y_max = X_test[:, 1].min() - 1, X_test[:, 1].max() + 1
+    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
+    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
+    Z = Z.reshape(xx.shape)
+    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)
+
+    plt.title(f'{name}\nAccuracy: {accuracy:.2f}')
+
+plt.show()