# Лабораторная работа №1: Работа с типовыми наборами данных и различными моделями
## Задание. Вариант 7
Всего вариантов 21, мой вариант 28, поэтому взял 7 вариант

Задание: 
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.

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)

## Описание программы

Программа создает и сравнивает три модели машинного обучения на основе датасета make_moons с использованием библиотеки 
scikit-learn. Сравниваются следующие модели:

1. Персептрон
2. Многослойный персептрон с 10 нейронами в скрытом слое (alpha = 0.01)
3. Многослойный персептрон с 100 нейронами в скрытом слое (alpha = 0.01)

## Как запустить лабораторную работу

1. Установите необходимые библиотеки:

    ```bash
    pip install numpy matplotlib scikit-learn
    ```

2. Запустите скрипт:

    ```bash
    python main.py
    ```

3. После выполнения программы будет создан файл "models.png" с тремя графиками, представляющими результаты каждой модели.

## Использованные технологии

- Python
- scikit-learn
- Matplotlib

## Что программа делает

Программа генерирует датасет make_moons, разделяет его на обучающий и тестовый наборы, затем обучает и сравнивает 
три модели машинного обучения. Результаты представлены в виде точности каждой модели и трех графиков.

## Тесты

![Графики моделей](models.png)

## Вывод

_Полученные результаты показывают, что многослойный персептрон с 100 нейронами в скрытом слое демонстрирует наивысшую 
точность среди рассмотренных моделей. В то время как простой персептрон и многослойный персептрон с 10 нейронами в 
скрытом слое показывают приемлемую, но более низкую точность. Таким образом, увеличение числа нейронов в скрытом 
слое существенно повысило производительность модели._

---