@ -143,9 +143,9 @@ lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
**2)Загрузить многомерную обучающую выборку реальных данных WBC_train.txt.**
**2)Загрузить многомерную обучающую выборку реальных данных WBC_train.txt.**
```py
```py
test = np.loadtxt('WBC_test.txt', dtype=float)
train = np.loadtxt('WBC_train.txt', dtype=float)
train = np.loadtxt('WBC_train.txt', dtype=float)
```
```
**3)Вывести полученные данные и их размерность в консоли.**
**3)Вывести полученные данные и их размерность в консоли.**
```py
```py
print('Исходные данные:')
print('Исходные данные:')
@ -169,11 +169,13 @@ print(train.shape)
Размерность данных:
Размерность данных:
(357, 30)
(357, 30)
```
```
**4)Создать и обучить автокодировщик с подходящей для данных архитектурой.** ** Выбрать необходимое количество эпох обучения.**
**4)Создать и обучить автокодировщик с подходящей для данных архитектурой.** ** Выбрать необходимое количество эпох обучения.**
```py
```py
patience=2000
patience=2000
ae3_trained, IRE3, IREth3 = lib.create_fit_save_ae(train,'out/AE3.h5','out/AE3_ire_th.txt', 100000, False, patience, early_stopping_delta = 0.00001, early_stopping_value = 0.0001)
ae3_trained, IRE3, IREth3 = lib.create_fit_save_ae(train,'out/AE3.h5','out/AE3_ire_th.txt', 100000, False, patience, early_stopping_delta = 0.00001, early_stopping_value = 0.0001)
```
```
**5)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.**
**5)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.**
```py
```py
Epoch 31000/100000
Epoch 31000/100000
@ -182,10 +184,12 @@ Epoch 31000/100000
lib.ire_plot('training', IRE3, IREth3, 'AE3')
lib.ire_plot('training', IRE3, IREth3, 'AE3')
```
```
**7)Изучить и загрузить тестовую выборку WBC_test.txt.**
**7)Изучить и загрузить тестовую выборку WBC_test.txt.**
```py
```py
test = np.loadtxt('WBC_test.txt', dtype=float)
test = np.loadtxt('WBC_test.txt', dtype=float)
```
```
**8)Подать тестовую выборку на вход обученного автокодировщика для обнаружения аномалий. Вывести графикошибки реконструкции элементов тестовой выборки относительно порога.**
**8)Подать тестовую выборку на вход обученного автокодировщика для обнаружения аномалий. Вывести графикошибки реконструкции элементов тестовой выборки относительно порога.**
```py
```py
predicted_labels3, ire3 = lib.predict_ae(ae3_trained, test, IREth3)
predicted_labels3, ire3 = lib.predict_ae(ae3_trained, test, IREth3)
@ -221,6 +225,11 @@ i Labels IRE IREth
Исходный порог IREth4: 0.24
Исходный порог IREth4: 0.24
```
```
**9)Если результаты обнаружения аномалий не удовлетворительные (обнаружено менее 70%аномалий), то подобрать подходящие параметры автокодировщика и повторить шаги (4)–(9)**
**10)Параметры наилучшего автокодировщика и результаты обнаружения аномалий занести в таблицу:**
**10)Параметры наилучшего автокодировщика и результаты обнаружения аномалий занести в таблицу:**
| | | | | | |
| | | | | | |
