29 lines
2.9 KiB
Markdown
29 lines
2.9 KiB
Markdown
### Вариант 9
|
||
### Задание на лабораторную работу:
|
||
По данным, построить графики 3 моделей:
|
||
- Персептрон
|
||
- Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
|
||
- Многослойный персептрон с 100-а нейронами в скрытом слое (alpha = 0.01)
|
||
|
||
Данные: make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
|
||
|
||
### Как запустить лабораторную работу:
|
||
Выполняем файл gusev_vladislav_lab_1.py, на экране будет нарисовано 3 графика
|
||
|
||
### Технологии
|
||
NumPy - библиотека для работы с многомерными массивами. Mathplotlib - библиотека для визуализации данных двумерной и трехмерной графикой. Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
|
||
|
||
### По коду
|
||
Используем функцию make_classification, чтобы сгенерировать 500 примеров с 2 признаками. Дополнительные параметры определяют характеристики данных, такие как количество информативных признаков и случайное распределение классов.
|
||
|
||
С помощью train_test_split разделяем данные на обучающую и тестовую выборки в соотношении 70% к 30%.
|
||
|
||
Далее создаются 3 модели: персептрон, многослойный персептрон с 10 нейронами в скрытом слое и многослойный персептрон с 100 нейронами в скрытом слое.Модели обучаются на обучающих данных с использованием метода fit.
|
||
|
||
Обученные модели используются для предсказания классов на тестовых данных с помощью метода predict.
|
||
Затем с помощью accuracy_score оцениваем точности предсказаний моделей на тестовом наборе данных.
|
||
|
||
Далее создаем графики для каждой модели, где каждая точка данных отображается на графике с цветом, соответствующим предсказанному классу. В заголовках написана точность для каждой модели. Отображаем графики с помощью plt.show().
|
||
|
||
Полученные графики: 
|