форкнуто от main/is_dnn
Родитель
9bd356bc08
Сommit
e860d7fbdc
@ -0,0 +1,221 @@
|
||||
**ЛАБОРАТОРНАЯ РАБОТА №2**«Обнаружение аномалий»**
|
||||
А-02-22 бригада №8 Левшенко Д.И., Новиков Д. М., Шестов Д.Н
|
||||
|
||||
Задание1:
|
||||
|
||||
**1)В среде GoogleColabсоздать новый блокнот(notebook).Импортировать необходимые для работы библиотеки и модули.**
|
||||
```py
|
||||
import os
|
||||
os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab2')
|
||||
|
||||
!wget -N http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/lab02_lib.py
|
||||
|
||||
!wget -N http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/data/name_train.txt
|
||||
!wget -N http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/data/name_test.txt
|
||||
|
||||
import numpy as np
|
||||
import lab02_lib as lib
|
||||
```
|
||||
**2)Сгенерировать индивидуальный набор двумерных данныхв пространстве признаковс координатами центра (k, k), где k–номер бригады.Вывести полученныеданные на рисуноки в консоль.**
|
||||
```py
|
||||
data = lib.datagen(8, 8, 1000, 2)
|
||||
```
|
||||
|
||||
**3)Создать и обучить автокодировщик AE1 простой архитектуры, выбрав небольшое количество эпох обучения.**
|
||||
```py
|
||||
patience= 300
|
||||
ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt', 1000, True, patience)
|
||||
```
|
||||
|
||||
**4)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.**
|
||||
```py
|
||||
lib.ire_plot('training', IRE1, IREth1, 'AE1')
|
||||
```
|
||||
**5)Создать и обучить второй автокодировщик AE2 с усложненной архитектурой, задав большее количество эпох обучения.**
|
||||
```py
|
||||
ae2_trained, IRE2, IREth2 = lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire_th.txt', 3000, True, patience)
|
||||
```
|
||||
**6)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать второй порог ошибки реконструкции –порог обнаружения аномалий.**
|
||||
```py
|
||||
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
|
||||
numb_square= 20
|
||||
xx,yy,Z1=lib.square_calc(numb_square,data,ae1_trained,IREth1,'1',True)
|
||||
|
||||
Оценка качества AE1
|
||||
IDEAL = 0. Excess: 14.263157894736842
|
||||
IDEAL = 0. Deficit: 0.0
|
||||
IDEAL = 1. Coating: 1.0
|
||||
summa: 1.0
|
||||
IDEAL = 1. Extrapolation precision (Approx): 0.06551724137931035
|
||||
|
||||
numb_square = 20
|
||||
xx, yy, Z2 = lib.square_calc(numb_square, data, ae2_trained, IREth2, '2', True)
|
||||
|
||||
Оценка качества AE2
|
||||
IDEAL = 0. Excess: 3.3157894736842106
|
||||
IDEAL = 0. Deficit: 0.0
|
||||
IDEAL = 1. Coating: 1.0
|
||||
summa: 1.0
|
||||
IDEAL = 1. Extrapolation precision (Approx): 0.23170731707317074
|
||||
|
||||
lib.plot2in1(data,xx,yy,Z1,Z2)
|
||||
```
|
||||
**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
|
||||
data_test= np.loadtxt('data_test.txt', dtype=float)
|
||||
```
|
||||
|
||||
**10)Применить обученные автокодировщики AE1 и AE2 к тестовым данными вывести значения ошибки реконструкции для каждого элемента тестовой выборки относительно порога на график и в консоль.**
|
||||
```py
|
||||
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')
|
||||
```
|
||||
|
||||
```py
|
||||
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.] [2.34] 0.47
|
||||
1 [1.] [3.46] 0.47
|
||||
2 [1.] [2.08] 0.47
|
||||
3 [1.] [2.68] 0.47
|
||||
4 [1.] [4.99] 0.47
|
||||
Обнаружено 5.0 аномалий
|
||||
```
|
||||
**11)Визуализировать элементы обучающей и тестовой выборки в областях пространства признаков, распознаваемых автокодировщиками AE1 и AE2.**
|
||||
|
||||
```py
|
||||
lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
|
||||
```
|
||||
**12)Результаты исследования занести в таблицу:**
|
||||
|
||||
**Табл. 1 Результаты задания**
|
||||
|
||||
| | | | | | | | | |
|
||||
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
|
||||
| | **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** | **38.04** | **8.5** | **14.26** | **0.07** | **0** |
|
||||
| **АЕ2** | **5** | **3 2 1 2 3** | **3000** | **0.07** | **0.47** | **3.32** | **0.23** | **5** |
|
||||
|
||||
**13)Сделать выводы**
|
||||
|
||||
Для нормального обнаружения аномалий:
|
||||
\-архитектура автокодировщика не должна быть простой,
|
||||
\-необходимо большое количество эпох обучения,
|
||||
\-ошибка MSE_stop должна быть достаточно мала(<<1),
|
||||
\-порог обнаружения аномалий не должен быть завышен по сравнению с
|
||||
большинством значений ошибки реконструкции обучающей выборки,
|
||||
\-характеристики качества обучения EDCA должны быть близки к идеальным значениям показателей Excess = 0, Deficit = 0, Coating = 1, Approx = 1.
|
||||
|
||||
|
||||
**Задание2**
|
||||
|
||||
**1)Изучить описание своего набора реальных данных, что он из себя представляет;**
|
||||
|
||||
Исходный набор данных Breast Cancer Wisconsin из репозитория машинного обучения UCI представляет собой набор данных для классификации, в котором записываются измерения для случаев рака молочной железы. Есть два класса, доброкачественные и злокачественные. Злокачественный класс этого набора данных уменьшен до 21 точки, которые считаются аномалиями, в то время как точки в доброкачественном классе считаются нормой.
|
||||
|
||||
| | | | |
|
||||
| --- | --- | --- | --- |
|
||||
| Количество признаков | Количество примеров | Количесвто нормальных примеров | Количество аномальных примеров |
|
||||
| 30 | 378 | 357 | 21 |
|
||||
|
||||
**2)Загрузить многомерную обучающую выборку реальных данных WBC_train.txt.**
|
||||
```py
|
||||
test = np.loadtxt('WBC_test.txt', dtype=float)
|
||||
train = np.loadtxt('WBC_train.txt', dtype=float)
|
||||
```
|
||||
**3)Вывести полученные данные и их размерность в консоли.**
|
||||
```py
|
||||
print('Исходные данные:')
|
||||
print(train)
|
||||
print('Размерность данных:')
|
||||
print(train.shape)
|
||||
Исходные данные:
|
||||
[[3.1042643e-01 1.5725397e-01 3.0177597e-01 ... 4.4261168e-01
|
||||
2.7833629e-01 1.1511216e-01]
|
||||
[2.8865540e-01 2.0290835e-01 2.8912998e-01 ... 2.5027491e-01
|
||||
3.1914055e-01 1.7571822e-01]
|
||||
[1.1940934e-01 9.2323301e-02 1.1436666e-01 ... 2.1398625e-01
|
||||
1.7445299e-01 1.4882592e-01]
|
||||
...
|
||||
[3.3456387e-01 5.8978695e-01 3.2886463e-01 ... 3.6013746e-01
|
||||
1.3502858e-01 1.8476978e-01]
|
||||
[1.9967817e-01 6.6486304e-01 1.8575081e-01 ... 0.0000000e+00
|
||||
1.9712202e-04 2.6301981e-02]
|
||||
[3.6868759e-02 5.0152181e-01 2.8539838e-02 ... 0.0000000e+00
|
||||
2.5744136e-01 1.0068215e-01]]
|
||||
Размерность данных:
|
||||
(357, 30)
|
||||
```
|
||||
**4)Создать и обучить автокодировщик с подходящей для данных архитектурой.** **Выбрать необходимое количество эпох обучения.**
|
||||
```py
|
||||
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)
|
||||
```
|
||||
**5)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.**
|
||||
```py
|
||||
Epoch 31000/100000
|
||||
- loss: 0.0005
|
||||
12/12 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step
|
||||
|
||||
lib.ire_plot('training', IRE3, IREth3, 'AE3')
|
||||
```
|
||||
**7)Изучить и загрузить тестовую выборку WBC_test.txt.**
|
||||
```py
|
||||
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.**
|
||||
```py
|
||||
predicted_labels3, ire3 = lib.predict_ae(ae3_trained, test, IREth3)
|
||||
lib.anomaly_detection_ae(predicted_labels3, ire3, IREth3)
|
||||
lib.ire_plot('test', ire3, IREth3, 'AE3')
|
||||
print(f"Исходный порог IREth4: {IREth3}")
|
||||
|
||||
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step
|
||||
|
||||
i Labels IRE IREth
|
||||
0 [0.] [0.21] 0.24
|
||||
1 [1.] [0.94] 0.24
|
||||
2 [1.] [0.28] 0.24
|
||||
3 [1.] [0.64] 0.24
|
||||
4 [1.] [0.5] 0.24
|
||||
5 [1.] [0.92] 0.24
|
||||
6 [1.] [0.43] 0.24
|
||||
7 [1.] [1.1] 0.24
|
||||
8 [1.] [0.31] 0.24
|
||||
9 [1.] [0.46] 0.24
|
||||
10 [1.] [0.42] 0.24
|
||||
11 [1.] [0.81] 0.24
|
||||
12 [0.] [0.21] 0.24
|
||||
13 [1.] [0.47] 0.24
|
||||
14 [0.] [0.23] 0.24
|
||||
15 [1.] [0.77] 0.24
|
||||
16 [1.] [0.39] 0.24
|
||||
17 [0.] [0.21] 0.24
|
||||
18 [1.] [1.4] 0.24
|
||||
19 [1.] [1.05] 0.24
|
||||
20 [1.] [0.3] 0.24
|
||||
Обнаружено 17.0 аномалий
|
||||
|
||||
Исходный порог IREth4: 0.24
|
||||
```
|
||||
**10)Параметры наилучшего автокодировщика и результаты обнаружения аномалий занести в таблицу:**
|
||||
|
||||
| | | | | | |
|
||||
| --- | --- | --- | --- | --- | --- |
|
||||
| Количество скрытых слоев | Количестов нейронов | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | % обнаруженных аномалий |
|
||||
| 11 | 31 25 21 17 13 7 13 17 21 25 31 | 7000 | 0.0006 | 0.33 | 70 |
|
||||
|
||||
**11)Сделать выводы:**
|
||||
|
||||
•архитектура автокодировщика должна включать в себя много слоев,
|
||||
•количество эпох обучения должно быть достаточно большим (порядка десятков тысяч),
|
||||
•ошибка MSE_stop, приемлемая для останова обучения, должна иметь достаточно малое значение,
|
||||
•порог обнаружения аномалий не должен быть завышен по сравнению с большинством значений ошибки реконструкции обучающей выборки.
|
||||
Загрузка…
Ссылка в новой задаче