Изменил(а) на 'labworks/LW2/LW2_variant2.md'

2 недель назад · 3b3165fdbd
--- a/labworks/LW2/LW2_variant2.md
+++ b/labworks/LW2/LW2_variant2.md
@ -899,3 +899,54 @@ print("- out/comparison_visualization.png")

 ![Результаты тестирования](15.png)

+### Пункт №11. ТАБЛ. 1 РЕЗУЛЬТАТЫ ЗАДАНИЯ №1
+
+| Модель | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | Значение показателя Excess | Значение показателя Approx | Количество обнаруженных аномалий |
+|--------|--------------------------|-------------------------------------|--------------------------|-----------------|----------------------------|----------------------------|----------------------------|-----------------------------------|
+| AE1    | 1                        | [1]                                 | ~700                     | 0.009176        | 0.067896                   | 0.0000                     | 0.009176                   | 0                                 |
+| AE2    | 5                        | [3, 2, 1, 2, 3]                    | ~4600                    | 0.004918        | 0.060338                   | 0.0000                     | 0.004918                   | 0                                 |
+
+### Пункт №12. Выводы.
+
+**Вывод:**
+```
+## 1. Требования к данным для обучения
+- Объем данных: достаточное количество нормальных примеров (1000+ точек)
+- Качество данных: отсутствие аномалий в обучающей выборке
+- Предобработка: нормализация данных для стабильного обучения
+- Сбалансированность: равномерное покрытие области нормального поведения
+
+## 2. Требования к архитектуре автокодировщика
+- Сложность архитектуры: 
+  - Простые задачи: 1-3 скрытых слоя (AE1: 1 слой)
+  - Сложные задачи: 3-5+ скрытых слоев (AE2: 5 слоев)
+- Размерность bottleneck: 
+  - Должна обеспечивать существенное сжатие (AE2: 1 нейрон в bottleneck)
+  - Сохранять достаточную информацию для реконструкции
+- Активационные функции: tanh/relu для скрытых слоев, linear для выходного
+
+## 3. Требования к количеству эпох обучения
+- Минимальное количество: 500+ эпох для базового обучения
+- Оптимальное количество: 1000-5000 эпох 
+- Критерий остановки: EarlyStopping с patience 300-400 эпох
+- Переобучение: мониторинг validation loss для предотвращения
+
+## 4. Требования к ошибке MSE_stop
+- Целевые значения: 0.001-0.01 для качественной реконструкции
+- AE1: 0.009176 - приемлемый уровень
+- AE2: 0.004918 - хороший уровень
+- Критерий: стабилизация ошибки на протяжении 300+ эпох
+
+## 5. Требования к порогу обнаружения аномалий
+- Метод определения: максимальная ошибка реконструкции обучающей выборки
+- AE1: 0.067896 - более консервативный порог
+- AE2: 0.060338 - более чувствительный порог
+- Адаптивность: порог должен корректироваться под конкретную задачу
+
+## 6. Требования к характеристикам качества обучения EDCA
+- Low Excess: < 0.05 (доля ложных срабатываний)
+- Low Approx: близко к MSE_stop (качественная реконструкция нормальных точек)
+- Stability: стабильные метрики на валидационной выборке
+- Generalization: способность обнаруживать новые типы аномалий
+```
+