форкнуто от main/is_dnn
Вы не можете выбрать более 25 тем
Темы должны начинаться с буквы или цифры, могут содержать дефисы(-) и должны содержать не более 35 символов.
348 строки
17 KiB
Markdown
348 строки
17 KiB
Markdown
# Отчет по лабораторной работе № 2
|
|
|
|
### Киселёв Матвей, Мамедов Расул А-01-22
|
|
### Вариант 10
|
|
|
|
## 1) В среде Google Colab создать новый блокнот (notebook). Импортировать необходимые для работы библиотеки и модули.
|
|
|
|
```py
|
|
import os
|
|
os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab2')
|
|
|
|
import numpy as np
|
|
import lab02_lib as lib
|
|
```
|
|
## 2) Сгенерировать индивидуальный набор двумерных данных в пространстве признаков с координатами центра (k, k), где k – номер бригады. Вывести полученные данные на рисунок и в консоль.
|
|
|
|
```py
|
|
# генерация датасета
|
|
data = lib.datagen(10, 10, 1000, 2)
|
|
|
|
# вывод данных и размерности
|
|
print('Исходные данные:')
|
|
print(data)
|
|
print('Размерность данных:')
|
|
print(data.shape)
|
|
```
|
|
|
|
|
|
### Исходные данные:
|
|
[[10.1127864 9.99999352]
|
|
[10.05249217 9.87350749]
|
|
[10.1316048 10.05250118]
|
|
...
|
|
[10.03841171 10.0442026 ]
|
|
[ 9.91528464 10.06201318]
|
|
[10.09181138 9.92258731]]
|
|
### Размерность данных:
|
|
(1000, 2)
|
|
|
|
## 3) Создать и обучить автокодировщик AE1 простой архитектуры, выбрав небольшое количество эпох обучения. Зафиксировать в таблице вида количество скрытых слоёв и нейронов в них.
|
|
|
|
```py
|
|
# обучение AE1
|
|
patience = 300
|
|
ae1_trained, IRE1, IREth1 = lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt',
|
|
1000, False, patience)
|
|
```
|
|
|
|
## 4) Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции – порог обнаружения аномалий.
|
|
```
|
|
Epoch 1000/1000
|
|
- loss: 58.5663
|
|
```
|
|
|
|
```py
|
|
# Построение графика ошибки реконструкции
|
|
lib.ire_plot('training', IRE1, IREth1, 'AE1')
|
|
```
|
|
|
|
|
|
## 5) Создать и обучить второй автокодировщик AE2 с усложненной архитектурой, задав большее количество эпох обучения.
|
|
|
|
```py
|
|
# обучение AE2
|
|
ae2_trained, IRE2, IREth2 = lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire_th.txt',
|
|
3000, False, patience)
|
|
```
|
|
|
|
## 6) Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать второй порог ошибки реконструкции – порог обнаружения аномалий.
|
|
```
|
|
Epoch 3000/3000
|
|
- loss: 0.0165
|
|
```
|
|
|
|
```py
|
|
# Построение графика ошибки реконструкции
|
|
lib.ire_plot('training', IRE2, IREth2, 'AE2')
|
|
```
|
|
|
|
|
|
|
|
## 7) Рассчитать характеристики качества обучения EDCA для AE1 и AE2. Визуализировать и сравнить области пространства признаков, распознаваемые автокодировщиками AE1 и AE2. Сделать вывод о пригодности AE1 и AE2 для качественного обнаружения аномалий.
|
|
|
|
```py
|
|
# построение областей покрытия и границ классов
|
|
# расчет характеристик качества обучения
|
|
numb_square = 20
|
|
xx, yy, Z1 = lib.square_calc(numb_square, data, ae1_trained, IREth1, '1', True)
|
|
```
|
|
|
|
```
|
|
amount: 22
|
|
amount_ae: 308
|
|
```
|
|
|
|
|
|
|
|
```
|
|
Оценка качества AE1
|
|
IDEAL = 0. Excess: 13.0
|
|
IDEAL = 0. Deficit: 0.0
|
|
IDEAL = 1. Coating: 1.0
|
|
summa: 1.0
|
|
IDEAL = 1. Extrapolation precision (Approx): 0.07142857142857142
|
|
```
|
|
|
|
```py
|
|
# построение областей покрытия и границ классов
|
|
# расчет характеристик качества обучения
|
|
numb_square = 20
|
|
xx, yy, Z2 = lib.square_calc(numb_square, data, ae2_trained, IREth2, '2', True)
|
|
```
|
|
|
|
|
|
|
|
```
|
|
amount: 22
|
|
amount_ae: 39
|
|
```
|
|
|
|
|
|
|
|
|
|
```
|
|
Оценка качества AE2
|
|
IDEAL = 0. Excess: 0.7727272727272727
|
|
IDEAL = 0. Deficit: 0.0
|
|
IDEAL = 1. Coating: 1.0
|
|
summa: 1.0
|
|
IDEAL = 1. Extrapolation precision (Approx): 0.5641025641025641
|
|
```
|
|
|
|
```py
|
|
# сравнение характеристик качества обучения и областей аппроксимации
|
|
lib.plot2in1(data, xx, yy, Z1, Z2)
|
|
```
|
|
|
|
|
|
## 8) Если автокодировщик AE2 недостаточно точно аппроксимирует область обучающих данных, то подобрать подходящие параметры автокодировщика и повторить шаги (6) – (8).
|
|
|
|
### Вывод: автокодировщик AE2 достаточно точно аппроксимирует область обучающих данных
|
|
|
|
## 9) Изучить сохраненный набор данных и пространство признаков. Создать тестовую выборку, состоящую, как минимум, из 4ёх элементов, не входящих в обучающую выборку. Элементы должны быть такими, чтобы AE1 распознавал их как норму, а AE2 детектировал как аномалии.
|
|
|
|
```py
|
|
# загрузка тестового набора
|
|
data_test = np.loadtxt('data_test.txt', dtype=float)
|
|
print(data_test)
|
|
```
|
|
|
|
```
|
|
[[8.5 8.5]
|
|
[8.2 8.2]
|
|
[7.7 7.7]
|
|
[9.3 8.8]]
|
|
```
|
|
|
|
## 10) Применить обученные автокодировщики AE1 и AE2 к тестовым данным и вывести значения ошибки реконструкции для каждого элемента тестовой выборки относительно порога на график и в консоль.
|
|
|
|
```py
|
|
# тестирование АE1
|
|
predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1)
|
|
|
|
lib.anomaly_detection_ae(predicted_labels1, ire1, IREth1)
|
|
lib.ire_plot('test', ire1, IREth1, 'AE1')
|
|
```
|
|
```
|
|
Аномалий не обнаружено
|
|
```
|
|
|
|
|
|
```py
|
|
# тестирование АE2
|
|
predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth2)
|
|
|
|
lib.anomaly_detection_ae(predicted_labels2, ire2, IREth2)
|
|
lib.ire_plot('test', ire2, IREth2, 'AE2')
|
|
```
|
|
|
|
```
|
|
i Labels IRE IREth
|
|
0 [1.] [1.99] 0.47
|
|
1 [1.] [2.42] 0.47
|
|
2 [1.] [3.12] 0.47
|
|
3 [1.] [1.28] 0.47
|
|
Обнаружено 4.0 аномалий
|
|
```
|
|
|
|
|
|
## 11) Визуализировать элементы обучающей и тестовой выборки в областях пространства признаков, распознаваемых автокодировщиками AE1 и AE2.
|
|
|
|
```py
|
|
# построение областей аппроксимации и точек тестового набора
|
|
lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
|
|
```
|
|
|
|
|
|
|
|
|
|
## 12) Результаты исследования занести в таблицу:
|
|
|
|
| | 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|
|
|
|-----|------------------|-------------------|----------|----------|----------|----------|----------|----------|
|
|
| АЕ1 | 1 | 1 | 1000 |58.5663 | |13.0 |0.0714 |0 |
|
|
| АЕ2 | 5 | 4 2 1 2 4 | 3000 |0.0165 |0.47 |0.7727 |0.5641 |4 |
|
|
|
|
|
|
## 13) Для качественного обнаружения аномалий в данны сделать выводы о требованиях к:
|
|
### - данным для обучения: должны быть без аномалий
|
|
### - архитектуре автокодировщика: бутылочное горлышко, 5 нейронов - оптимально
|
|
### - количеству эпох обучения: 3000 с patience 300
|
|
### - ошибке MSE_stop, приемлемой для останова обучения: 0.0165 - приемлемое значение
|
|
### - ошибке реконструкции обучающей выборки (порогу обнаружения аномалий): 0.47 - приемлемое значение
|
|
### - характеристикам качества обучения EDCA одноклассового классификатора: Excess - 0.773, Deficit - 0.0, Coating - 1.0, Approx - 0.564
|
|
|
|
|
|
# Задание 2:
|
|
## 1) Изучить описание своего набора реальных данных, что он из себя представляет;
|
|
|
|
### Letter
|
|
Исходный набор данных Letter Recognition Data Set из репозитория машинного
|
|
обучения UCI представляет собой набор данных для многоклассовой классификации.
|
|
Набор предназначен для распознавания черно-белых пиксельных прямоугольников как
|
|
одну из 26 заглавных букв английского алфавита, где буквы алфавита представлены в
|
|
16 измерениях. Чтобы получить данные, подходящие для обнаружения аномалий, была
|
|
произведена подвыборка данных из 3 букв, чтобы сформировать нормальный класс, и
|
|
случайным образом их пары были объединены так, чтобы их размерность удваивалась.
|
|
Чтобы сформировать класс аномалий, случайным образом были выбраны несколько
|
|
экземпляров букв, которые не входят нормальный класс, и они были объединены с
|
|
экземплярами из нормального класса. Процесс объединения выполняется для того,
|
|
чтобы сделать обнаружение более сложным, поскольку каждый аномальный пример
|
|
также будет иметь некоторые нормальные значения признаков.
|
|
|
|
## 2) Загрузить многомерную обучающую выборку реальных данных name_train.txt.
|
|
```py
|
|
# загрузка выборок
|
|
train = np.loadtxt('letter_train.txt', dtype=float)
|
|
```
|
|
## 3) Вывести полученные данные и их размерность в консоли.
|
|
|
|
```py
|
|
print('train:\n', train)
|
|
print('train.shape:', np.shape(train))
|
|
```
|
|
|
|
```
|
|
train:
|
|
[[ 6. 10. 5. ... 10. 2. 7.]
|
|
[ 0. 6. 0. ... 8. 1. 7.]
|
|
[ 4. 7. 5. ... 8. 2. 8.]
|
|
...
|
|
[ 7. 10. 10. ... 8. 5. 6.]
|
|
[ 7. 7. 10. ... 6. 0. 8.]
|
|
[ 3. 4. 5. ... 9. 5. 5.]]
|
|
train.shape: (1500, 32)
|
|
```
|
|
## 4) Создать и обучить автокодировщик с подходящей для данных архитектурой. Выбрать необходимое количество эпох обучения.
|
|
|
|
```py
|
|
from time import time
|
|
|
|
patience = 5000
|
|
start = time()
|
|
ae3_v1_trained, IRE3_v1, IREth3_v1 = lib.create_fit_save_ae(train,'out/AE3_V1.h5','out/AE3_v1_ire_th.txt',
|
|
100000, False, patience, early_stopping_delta = 0.001)
|
|
print("Время на обучение: ", time() - start)
|
|
```
|
|
|
|
## 5) Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции – порог обнаружения аномалий.
|
|
|
|
```
|
|
Epoch 100000/100000
|
|
- loss: 0.2571
|
|
```
|
|
|
|
```py
|
|
# Построение графика ошибки реконструкции
|
|
lib.ire_plot('training', IRE3_v1, IREth3_v1, 'AE3_v1')
|
|
```
|
|
|
|
|
|
|
|
## 6) Сделать вывод о пригодности обученного автокодировщика для качественного обнаружения аномалий. Если порог ошибки реконструкции слишком велик, то подобрать подходящие параметры автокодировщика и повторить шаги (4) – (6).
|
|
|
|
### Вывод: обученный автокодировщик пригоден для качественного обнаружения аномалий. Порог ошибки реконструкции достаточно мал.
|
|
|
|
## 7) Изучить и загрузить тестовую выборку name_test.txt.
|
|
|
|
```py
|
|
# загрузка выборок
|
|
test = np.loadtxt('letter_test.txt', dtype=float)
|
|
```
|
|
|
|
```py
|
|
print('\n test:\n', test)
|
|
print('test.shape:', np.shape(test))
|
|
```
|
|
|
|
```
|
|
test:
|
|
[[ 8. 11. 8. ... 7. 4. 9.]
|
|
[ 4. 5. 4. ... 13. 8. 8.]
|
|
[ 3. 3. 5. ... 8. 3. 8.]
|
|
...
|
|
[ 4. 9. 4. ... 8. 3. 8.]
|
|
[ 6. 10. 6. ... 9. 8. 8.]
|
|
[ 3. 1. 3. ... 9. 1. 7.]]
|
|
test.shape: (100, 32)
|
|
```
|
|
|
|
## 8) Подать тестовую выборку на вход обученного автокодировщика для обнаружения аномалий. Вывести график ошибки реконструкции элементов тестовой выборки относительно порога.
|
|
|
|
```py
|
|
# тестирование АE3
|
|
predicted_labels3_v1, ire3_v1 = lib.predict_ae(ae3_v1_trained, test, IREth3_v1)
|
|
```
|
|
|
|
```py
|
|
# Построение графика ошибки реконструкции
|
|
lib.ire_plot('test', ire3_v1, IREth3_v1, 'AE3_v1')
|
|
```
|
|
|
|
|
|
|
|
## 9) Если результаты обнаружения аномалий не удовлетворительные (обнаружено менее 70% аномалий), то подобрать подходящие параметры автокодировщика и повторить шаги (4) – (9).
|
|
|
|
```py
|
|
# тестирование АE3
|
|
lib.anomaly_detection_ae(predicted_labels3_v1, IRE3_v1, IREth3_v1)
|
|
```
|
|
|
|
```
|
|
Обнаружено 84.0 аномалий
|
|
```
|
|
|
|
## 10) Параметры наилучшего автокодировщика и результаты обнаружения аномалий занести в таблицу:
|
|
|
|
|Dataset name | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop| Порог ошибки реконструкции| % обнаруженных аномалий |
|
|
|-----|------------------|-------------------|----------|----------|----------|----------|
|
|
| Letter | 7 | 56 28 14 7 14 28 56 | 100000 |0.2571 |6.97 |84 |
|
|
|
|
|
|
## 11) Для качественного обнаружения аномалий в случае, когда размерность пространства признаков высока. Сделать выводы о требованиях к:
|
|
### - данным для обучения: должны быть без аномалий
|
|
### - архитектуре автокодировщика: бутылочное горлышко, 7 нейронов - оптимально
|
|
### - количеству эпох обучения: не менее 100000
|
|
### - ошибке MSE_stop, приемлемой для останова обучения: 0.2571 - приемлемое значение
|
|
### - ошибке реконструкции обучающей выборки (порогу обнаружения аномалий): 6.97 - приемлемое значение |