| .. | ||
| result | ||
| laba1.py | ||
| readme.md | ||
Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
Вариант № 7
Лабораторная работа 1. Работа с типовыми наборами данных и различными моделямиИспользуя 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.
Задание по варианту
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)
Как запустить лабораторную работу:
Чтобы запустить программу, открываем файл laba1 в PyCharm и запускаем с помощью команды run
Использованные технологии:
Scikit-learn - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
Matplotlib — это комплексная библиотека для создания статических, анимированных и интерактивных визуализаций на Python.
NumPy — это фундаментальный пакет для научных вычислений на Python.
Что делает программа:
В данной работе генерируется определенный тип данных (при помощи генератора линейных задач make_moons). На данном типе данных проверяется работа трёх моделей.
Результатом работы программы являются: вывод показателей качества моделей (в консоли) и 3 изображения с графиками, на которых показаны сами данные, разбитые на два класса (тренировочные и тестовые).
Пример выходных данных:
Вывод в консоли:
Получившиеся графики
Вывод: Для сгенерированного типа данных лучшей моделью оказалась модель многослойного персептрона со 100 нейронами (с точностью 0.91), а худшей модель персептона без скрытого слоя. Чем больше нейронов в скрытом слое - тем точнее результат.