Лабораторная 1

Задание

Сгенерируйте определенный тип данных и сравнить на нем 3 модели (по варианту 9). Построить графики, отобразить качество моделей, объяснить полученные результаты

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)

Описание Программы

Используемые библиотеки

scikit-learn
numpy
matplotlib

Шаги программы

Генерация данных:
- Используется функция make_classification из библиотеки scikit-learn.
- Создаются два признака, и данные разделяются на два класса.
- Используется 500 сэмплов.
Разделение данных:
- Данные разделяются на обучающий и тестовый наборы с использованием train_test_split из scikit-learn.
- Размер тестового набора установлен в 20% от общего размера.
Создание моделей:
- Три модели создаются с использованием библиотеки scikit-learn:
  - Персептрон
  - Многослойный персептрон с 10 нейронами в скрытом слое
  - Многослойный персептрон с 100 нейронами в скрытом слое
Обучение и Оценка:
- Каждая модель обучается на обучающем наборе данных.
- Производится оценка каждой модели на тестовом наборе с использованием метрики точности (accuracy).
Визуализация данных и Границ Решения:
- Для каждой модели строится график, на котором отображаются точки тестового набора и граница решения модели.
- Каждый график снабжен названием, указывающим на модель и ее точность.

Запуск программы

Склонировать или скачать код main.py.
Запустите файл в среде, поддерживающей выполнение Python.

Результаты

Можно проанализировать точность на графиках и понять, что самая точная из 3 моделей оказалась Многослойный персептрон со 100-а нейронами в скрытом слое.
Многослойный персептрон со 100-а нейронами: 0.96
Многослойный персептрон с 10-ю нейронами: 0.90
Персептрон: 0.86

3.3 KiB Raw Blame History Unescape Escape