shadaev_anton_lab_1/README.md

@@ -0,0 +1,48 @@
+# IIS_2023_1
+<h4>Задание</h4>
+<p>
+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.
+</p>
+<p>
+9. 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)
+</p>
+<h4>Способок запуска программы</h4>
+<p>Выполнить скрипт shadaev_anton_lab_1/main.py (перед этим установить импортированные библиотеки) после которого будут нарисованы 3 графика</p>
+<h4>Стек технологий</h4>
+<p>
+    <ul>
+        <li>NumPy - это библиотека Python, предоставляющая поддержку для больших, многомерных массивов и матриц, а также набор функций для их манипуляции и обработки.</li>
+        <li>Matplotlib - это библиотека для визуализации данных в Python, предоставляющая инструменты для создания статических, анимированных и интерактивных графиков и диаграмм.</li>
+        <li>Scikit-learn - это библиотека Python, предназначенная для машинного обучения, которая содержит функции и алгоритмы для классификации, прогнозирования и разбиения данных на группы.</li>
+    </ul>
+</p>
+<h4>Описание кода</h4>
+<p>
+<ol>
+    <li>Импортирование необходимых библиотек</li>
+    <li>Создание искусственных данных с помощью функции <i>make_classification()</i> из sklearn. Данные состоят из 500 образцов.</li>
+    <li>Данные разделяются на обучающие и тестовые наборы данных с использованием функции <i>train_test_split()</i>.</li>
+    <li>Создается список моделей для обучения (Перцептрон и многослойные перцептроны).</li>
+    <li>Выполняется обучение для каждой модели, предсказание на тестовых данных и вычисление точности предсказания.</li>
+    <li>Строится кривая обучения для каждой модели и кросс-валидации с использованием функции <i>learning_curve()</i> из sklearn. Данная функция позволяет визуализировать, как производительность модели изменяется в зависимости от количества обучающих примеров.</li>
+    <li>Наконец, <i>plt.show()</i> отображает все графики.</li>
+</ol>
+<h6>Полученные графики</h6>
+Графики показывают производительность моделей при обучении на разных размерах обучающего набора данных.
+<ul>
+    <li><b>Оценка обучения</b> - кривая, показывающая среднюю точность модели на обучающем наборе данных для различных размеров обучающего набора. Это позволяет увидеть, как точность модели меняется с увеличением размера обучающего набора.</li>
+    <li><b>Оценка кросс-валидации</b> - кривая, показывающая среднюю точность модели на валидационном наборе данных для различных размеров обучающего набора. Это позволяет увидеть, как точность модели меняется с увеличением размера обучающего набора, но с использованием кросс-валидации для оценки производительности модели.</li>
+    <li><b>Оси графика:</b> Ось X представляет размер обучающего набора, а ось Y представляет среднюю точность модели.</li>
+</ul>
+<img src="myplot.png" />
+</p>

shadaev_anton_lab_1/lab_1.txt

@@ -1 +0,0 @@
-Test

shadaev_anton_lab_1/main.py

@@ -0,0 +1,45 @@
+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, learning_curve
+from sklearn.metrics import accuracy_score
+
+# Наполнение искусственными данными
+rs = np.random.RandomState(42)
+X, y = make_classification(n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs,
+                         n_clusters_per_class=1)
+
+# Обучающие и тестовые наборы данных
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=rs)
+
+# Список моделей для обучения
+models = [
+   ('Персептрон', Perceptron()),
+   ('MLP (10 нейронов)', MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)),
+   ('MLP (100 нейронов)', MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs))
+]
+
+fig, axs = plt.subplots(1, len(models), figsize=(12, 4))
+
+# Визуализация графиков
+for i, (name, model) in enumerate(models):
+   model.fit(X_train, y_train)
+   y_pred = model.predict(X_test)
+   accuracy = accuracy_score(y_test, y_pred)
+
+   # Построение кривых обуч ения
+   train_sizes, train_scores, valid_scores = learning_curve(
+       model, X, y, train_sizes=[50, 80, 110], cv=5)
+   axs[i].plot(train_sizes, train_scores.mean(axis=1), 'o-', color="r",
+               label="Оценка обучения")
+   axs[i].plot(train_sizes, valid_scores.mean(axis=1), 'o-', color="g",
+               label="Оценка кросс-валидации")
+   axs[i].set_title(f'{name} (Точность: {accuracy:.2f})')
+   axs[i].set_xlabel("Training examples")
+   axs[i].set_ylabel("Score")
+   axs[i].legend(loc="best")
+   axs[i].grid()
+
+plt.show()