40 lines
4.3 KiB
Markdown
40 lines
4.3 KiB
Markdown
# Задание
|
||
Используя код из пункта «Регуляризация и сеть прямого распространения» из методички (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
|
||
Генерируемы данные: make_moons (noise=0.3, random_state=rs)
|
||
Модели:
|
||
* Линейную регрессию
|
||
* Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
|
||
* Персептрон
|
||
## Решение
|
||
### Запуск программы
|
||
Для запуска программы необходимо запустить файл main.py, содержащий код программы
|
||
### Используемые технологии
|
||
Программа использует следующие библиотеки:
|
||
- numpy - библиотека для работы с массивами и матрицами.
|
||
- matplotlib - библиотека для создания графиков и визуализации данных.
|
||
- sklearn - библиотека для машинного обучения и анализа данных.
|
||
### Что делает программа
|
||
Программа генерирует один из 100 случайных наборов данных. Данные состоят из двух полукругов для работы с алгоритмами кластеризации и классификации
|
||
Показывает окно с графиком и результаты работы моделей.
|
||
### Тесты
|
||
тесты проводились на наборах данных с 1 по 5
|
||
Результаты берутся из результатов работы модели на тестовых данных
|
||
Набор данных - Линейная регрессия - Многослойный персептрон - Персептрон
|
||
1 - 0.535 - 0.875 - 0.775
|
||
2 - 0.454 - 0.9 - 0.85
|
||
3 - 0.548 - 0.9 - 0.9
|
||
4 - 0.58 - 0.85 - 0.825
|
||
5 - 0.545 - 0.862 - 0.825
|
||
Из результатов видно, что модель линейной регрессии показала себя хуже всего. Следом идет персептрон. И лучший результат показала модель многослойного персептрона с 10-ю нейронами в скрытом слое
|
||
|
||
При увеличении объема генерируемых данных с 200 до 2000, можно заметить что результаты остались примерно на том же уровне
|
||
Набор данных - Линейная регрессия - Многослойный персептрон - Персептрон
|
||
1 - 0.565 - 0.903 - 0.78
|
||
2 - 0.534 - 0.919 - 0.82
|
||
3 - 0.541 - 0.909 - 0.742
|
||
4 - 0.524 - 0.856 - 0.845
|
||
5 - 0.568 - 0.873 - 0.802
|
||
Тесты с дополнительным увеличением объема данных, изменений в результатах не показали
|
||
Из результатов можно сделать вывод, что наиболее подходящей моделью для данного типа генерируемых данных из оттестированных моделей является Многослойный персептрон
|
||
Разница в результатах работы персептрона и многослойного персептрона имеется из-за того что многослойный персептрон имеет более сложную структуру, чем простой персептрон, и может обучаться более сложным функциям. Кроме того, многослойный персептрон используя несколько скрытых слоев, изучает более сложные зависимости между входными и выходными данными. |