verina_daria_lab_1/laba1.py

@@ -0,0 +1,66 @@
+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
+
+# ВАРИАНТ 7
+# 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)
+# Задаем random_state для воспроизводимости результатов
+
+rs = 42
+
+# Генерируем данные
+X, y = make_moons(n_samples=1000, noise=0.3, random_state=rs)
+
+# Разделяем данные на обучающий и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=rs)
+
+# Модель 1: Персептрон
+perceptron = Perceptron(random_state=rs)
+perceptron.fit(X_train, y_train)
+y_pred_perceptron = perceptron.predict(X_test)
+accuracy_perceptron = accuracy_score(y_test, y_pred_perceptron)
+
+# Модель 2: Многослойный персептрон с 10 нейронами в скрытом слое
+mlp_10_neurons = MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs, max_iter=10000)
+mlp_10_neurons.fit(X_train, y_train)
+y_pred_mlp_10_neurons = mlp_10_neurons.predict(X_test)
+accuracy_mlp_10_neurons = accuracy_score(y_test, y_pred_mlp_10_neurons)
+
+# Модель 3: Многослойный персептрон с 100 нейронами в скрытом слое
+mlp_100_neurons = MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs, max_iter=10000)
+mlp_100_neurons.fit(X_train, y_train)
+y_pred_mlp_100_neurons = mlp_100_neurons.predict(X_test)
+accuracy_mlp_100_neurons = accuracy_score(y_test, y_pred_mlp_100_neurons)
+
+# принт результатов
+print("Accuracy для Персептрона:", accuracy_perceptron)
+print("Accuracy для MLP с 10 нейронами в скрытом слое:", accuracy_mlp_10_neurons)
+print("Accuracy для MLP с 100 нейронами в скрытом слое:", accuracy_mlp_100_neurons)
+
+# графики
+plt.figure(figsize=(12, 4))
+
+# График для Персептрона
+plt.subplot(1, 3, 1)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_perceptron, cmap=plt.cm.Paired, s=10)
+plt.title("Perceptron")
+
+# График для MLP с 10 нейронами в скрытом слое
+plt.subplot(1, 3, 2)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_mlp_10_neurons, cmap=plt.cm.Paired, s=10)
+plt.title("MLP (10 neurons)")
+
+# График для MLP с 100 нейронами в скрытом слое
+plt.subplot(1, 3, 3)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred_mlp_100_neurons, cmap=plt.cm.Paired, s=10)
+plt.title("MLP (100 neurons)")
+
+
+# Сохраняем графики в файл в папке result
+result_folder = "result"
+plt.savefig(f"{result_folder}/result.png")
+plt.show()

verina_daria_lab_1/readme.md

@@ -0,0 +1,37 @@
+# Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
+### Вариант № 7
+Лабораторная работа 1. Работа с типовыми наборами данных и различными моделямиИспользуя   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.
+
+**Задание по варианту**  
+**Данные**: make_moons (noise=0.3, random_state=rs) <br/>
+**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) 
+
+
+***
+## *Как запустить лабораторную работу:*
+Чтобы запустить программу, открываем файл laba1 в PyCharm и запускаем с помощью команды run
+***
+## *Использованные технологии:*
+**Scikit-learn** - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
+
+**Matplotlib** — это комплексная библиотека для создания статических, анимированных и интерактивных визуализаций на Python.
+
+**NumPy** — это фундаментальный пакет для научных вычислений на Python.
+***
+## *Что делает программа:*
+В данной работе генерируется определенный тип данных (при помощи генератора линейных задач make_moons). На данном типе данных проверяется работа трёх моделей.
+
+**Результатом работы программы** являются: вывод показателей качества моделей (в консоли) и 3 изображения с графиками, на которых показаны сами данные, разбитые на два класса (тренировочные и тестовые).
+***
+## *Пример выходных данных:*
+>Вывод в консоли:
+
+<img src="result/console.png" />
+
+>Получившиеся графики
+
+<img src="result/result.png" />
+
+***
+**Вывод**: Для сгенерированного типа данных лучшей моделью оказалась модель многослойного персептрона со 100 нейронами (с точностью 0.91), а худшей модель персептона без скрытого слоя. Чем больше нейронов в скрытом слое - тем точнее результат.
+