IIS_2023_1/zavrazhnova_svetlana_lab_1

Задание:

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)

как запустить лабораторную работу:

Лабораторная работа запускается в файле zavrazhnova_svetlana_lab_1.py через Run, должно запуститься диалоговое окно и вычисления в консоли

Технологии:

Библиотека Scikit-learn содержит множество наборов данных

Что делает лабораторная:

Выполнение кода выводит точность каждой модели (в консоль) и отображает графики с границами решений для каждой модели.

В данном коде генерируются данные с использованием функции make_classification() из библиотеки scikit-learn. Генерируется набор данных с 500 примерами и 2 признаками. Классы точек представлены переменной y, которая содержит метки классов для каждой точки. В данном случае, сгенерировано два класса, обозначенных как 0 и 1.

Визуализация данных и границ решения моделей выполняется с помощью функции scatter() и функции contourf() из библиотеки matplotlib. Функция scatter() отображает точки данных на графике, окрашивая их в соответствии с классами, заданными переменной y.

Таким образом, графики помогают визуализировать данные, их классификацию и границы решения моделей, позволяя лучше понять, как модели принимают решение о классификации объектов.

Пример выходных значений:

Консоль:

Графики: