45 lines
2.7 KiB
Markdown
45 lines
2.7 KiB
Markdown
**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
|