31 lines
2.6 KiB
Markdown
31 lines
2.6 KiB
Markdown
### 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:
|
||
|
||
 |