IIS_2023_1/kutygin_andrey_lab_1
2023-11-13 20:28:24 +04:00
..
lab1.py kutygin_lab_1_ready 2023-11-13 20:28:24 +04:00
README.md kutygin_lab_1_ready 2023-11-13 20:28:24 +04:00

Задание


Вариант 16

Данные: make_moons (noise=0.3, random_state=rs)

Модели:

· Линейную регрессию

· Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)

· Персептрон

Как запустить лабораторную:


Запустить файл lab1.py

Используемые технологии


Библиотеки numpy, matplotlib, sklearn и их компоненты

Описание лабораторной (программы)


Реализация использования NumPy, Matplotlib и scikit-learn в данном коде позволяет создавать и обучать модели машинного обучения на наборе данных make_moons.

Первым шагом является генерация набора данных make_moons, которая представляет собой двумерный набор точек, распределенных в форме двух связных полумесяцев. Это набор данных, используемый для задачи классификации.

Затем модели линейной регрессии, многослойного персептрона и персептрона обучаются на этом наборе данных. В процессе обучения модели адаптируют свои внутренние параметры для предсказания целевых значений.

После обучения моделей создается сетка точек, чтобы предсказать значения моделей на этой сетке. Это позволяет визуализировать, как модели классифицируют пространство точек.

В конце кода данные и предсказания моделей визуализируются на графиках. Это позволяет сравнить и оценить, насколько хорошо каждая модель справляется с задачей классификации и как они различаются друг от друга.

Результат


В результате программа выводит графики и оценки производительности обучения, полученные через model.score библиотеки sclearn.

Линейная регрессия: 0.5453845246295626

Многослойный персептрон: 0.10895145407108087

Персептрон: 0.5