From 435251dda97778d7f5e5ea7e544a8d46945796b8 Mon Sep 17 00:00:00 2001 From: AnikeevAnA Date: Sat, 29 Nov 2025 10:41:01 +0000 Subject: [PATCH] =?UTF-8?q?=D0=98=D0=B7=D0=BC=D0=B5=D0=BD=D0=B8=D0=BB(?= =?UTF-8?q?=D0=B0)=20=D0=BD=D0=B0=20'labworks/LW4/report.md'?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- labworks/LW4/report.md | 16 ++++++++-------- 1 file changed, 8 insertions(+), 8 deletions(-) diff --git a/labworks/LW4/report.md b/labworks/LW4/report.md index 7ab51a1..8598266 100644 --- a/labworks/LW4/report.md +++ b/labworks/LW4/report.md @@ -368,13 +368,13 @@ Area under ROC is 0.9304564479999999 ### Пункт №11. Выводы по результатам применения рекуррентной нейронной сети. **Выводы по лабораторной работе:** + ``` -Проведённый эксперимент показал, что обученная LSTM-модель эффективно -справляется с задачей определения тональности текстов. На тестовой -выборке модель продемонстрировала высокое значение accuracy, а метрики -precision, recall и f1-score подтвердили хорошее качество классификации -для обоих классов. ROC-кривая располагается существенно выше диагонали -случайного классификатора, а AUC ROC близко к 1, что свидетельствует -о высокой степени разделимости классов. Таким образом, модель обладает -хорошей обобщающей способностью и подходит для анализа тональности отзывов. +В ходе выполнения лабораторной работы была построена и обучена рекуррентная нейронная сеть на основе слоя LSTM для решения задачи определения тональности текстов из датасета IMDb. После предварительной обработки данных (приведение длины отзывов к фиксированному размеру и преобразование слов в числовые индексы) модель успешно обучилась классифицировать отзывы на положительные и отрицательные. + +По итогам эксперимента качество модели на тестовой выборке составило accuracy ≈ 0.86, что означает, что сеть правильно классифицировала около 86% отзывов. Анализ отчёта о качестве классификации (precision, recall, f1-score) показал, что модель обеспечивает близкие значения метрик для обоих классов. + +ROC-кривая модели проходит значительно выше диагонали случайного классификатора, а значение AUC ROC ≈ 0.93 указывает на высокую способность модели различать положительные и отрицательные отзывы. + +Таким образом, использование рекуррентной нейронной сети, основанной на LSTM, оказалось эффективным для анализа тональности текста. Модель успешно улавливает зависимости в последовательностях слов и демонстрирует высокое качество классификации. Данная архитектура подходит для практических задач анализа текста, таких как фильтрация отзывов, определение эмоциональной окраски сообщений или анализ пользовательских комментариев. ``` \ No newline at end of file