IIS_2023_1/tsyppo_anton_lab_1/README.md

Лабораторная работа №1: Работа с типовыми наборами данных и различными моделями

Задание. Вариант 7

Всего вариантов 21, мой вариант 28, поэтому взял 7 вариант

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.

7. Данные: make_moons (noise=0.3, 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)

Описание программы

Программа создает и сравнивает три модели машинного обучения на основе датасета make_moons с использованием библиотеки scikit-learn. Сравниваются следующие модели:

1. Персептрон
2. Многослойный персептрон с 10 нейронами в скрытом слое (alpha = 0.01)
3. Многослойный персептрон с 100 нейронами в скрытом слое (alpha = 0.01)

Как запустить лабораторную работу

1. Установите необходимые библиотеки:

   pip install numpy matplotlib scikit-learn
   

2. Запустите скрипт:

   python main.py
   

3. После выполнения программы будет создан файл "models.png" с тремя графиками, представляющими результаты каждой модели.

Использованные технологии

• Python
• scikit-learn
• Matplotlib

Что программа делает

Программа генерирует датасет make_moons, разделяет его на обучающий и тестовый наборы, затем обучает и сравнивает три модели машинного обучения. Результаты представлены в виде точности каждой модели и трех графиков.

Тесты

Вывод

Полученные результаты показывают, что многослойный персептрон с 100 нейронами в скрытом слое демонстрирует наивысшую точность среди рассмотренных моделей. В то время как простой персептрон и многослойный персептрон с 10 нейронами в скрытом слое показывают приемлемую, но более низкую точность. Таким образом, увеличение числа нейронов в скрытом слое существенно повысило производительность модели.

---