**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.** >import os >os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab2') ># скачивание библиотеки >!wget -N http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/lab02_lib.py ># скачивание выборок >!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 ># импорт модулей >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.** data = lib.datagen(8, 8, 1000, 2) ![1.png](../Desktop/7%20%D1%81%D0%B5%D0%BC/PythonProject/.venv/1.png) **3)Создать и обучить автокодировщик AE1 простой архитектуры, выбрав небольшое количество эпох обучения.** **4)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.** **5)Создать и обучить второй автокодировщик AE2 с усложненной архитектурой, задав большее количество эпох обучения.** **6)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать второй порог ошибки реконструкции –порог обнаружения аномалий.** **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.** 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 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 **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.** **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.** **11)Визуализировать элементы обучающей и тестовой выборки в областях пространства признаков, распознаваемых автокодировщиками AE1 и AE2.** **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.** **3)Вывести полученные данные и их размерность в консоли.** **4)Создать и обучить автокодировщик с подходящей для данных архитектурой.** **Выбрать необходимое количество эпох обучения.** **5)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.** **7)Изучить и загрузить тестовую выборку WBC_test.txt.** **8)Подать тестовую выборку на вход обученного автокодировщика для обнаружения аномалий. Вывести графикошибки реконструкции элементов тестовой выборки относительно порога.** **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:** | | | | | | | | --- | --- | --- | --- | --- | --- | | 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.