39 lines
2.9 KiB
Markdown
39 lines
2.9 KiB
Markdown
Общее 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.
|
||
|
||
8 вариант:
|
||
Данные: make_circles (noise=0.2, factor=0.5, 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)
|
||
|
||
Запуск осуществляется через файл app.py
|
||
|
||
|
||
Технологии:
|
||
|
||
Flask: Веб-фреймворк для Python, используется для создания веб-приложения.
|
||
NumPy: Библиотека для работы с массивами и матрицами, используется для генерации данных.
|
||
scikit-learn: Библиотека для машинного обучения, используется для построения и обучения моделей.
|
||
Matplotlib: Библиотека для визуализации данных, используется для создания графиков.
|
||
mlxtend: Библиотека для визуализации решающих границ.
|
||
Описание работы программы:
|
||
|
||
При запуске приложения через Flask создается веб-сервер.
|
||
Пользователь открывает веб-страницу, которая содержит кнопку "Compare Models".
|
||
При нажатии на кнопку генерируются данные (make_circles) и тренируются три модели: Perceptron, MLP с 10 нейронами и MLP с 100 нейронами.
|
||
Для каждой модели строятся графики с решающими границами и вычисляется точность модели на тестовых данных.
|
||
Результаты (графики и точности) отображаются на веб-странице.
|
||
Входные данные:
|
||
|
||
Нет явных входных данных от пользователя. Данные генерируются программой (make_circles).
|
||
Выходные данные:
|
||
|
||
Визуализация решающих границ для трех моделей (Perceptron, MLP с 10 нейронами, MLP с 100 нейронами).
|
||
Точность каждой модели на тестовых данных отображается на веб-странице. |