gusev_vladislav_lab_1/README.md

@@ -1,28 +0,0 @@
-### 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

@@ -1,55 +0,0 @@
-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()