|
|
|
|
@ -21,7 +21,7 @@ from keras.datasets import mnist
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
### Пункт 3
|
|
|
|
|
Разбили набор данных на обучающие и тестовые данные в соотношении 60000:10000 элементов. При разбиении параметр random_state выбрали 20.
|
|
|
|
|
Разбили набор данных на обучающие и тестовые данные в соотношении 60000:10000 элементов. При разбиении параметр random_state выбрали 27.
|
|
|
|
|
Вывели размерности полученных обучающих и тестовых массивов данных.
|
|
|
|
|
```python
|
|
|
|
|
(X_train,y_train),(X_test,y_test)=mnist.load_data()
|
|
|
|
|
@ -30,7 +30,7 @@ from sklearn.model_selection import train_test_split
|
|
|
|
|
X=np.concatenate((X_train,X_test))
|
|
|
|
|
y=np.concatenate((y_train,y_test))
|
|
|
|
|
#разбиваем по вариантам
|
|
|
|
|
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=10000,train_size=60000,random_state=20)
|
|
|
|
|
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=10000,train_size=60000,random_state=27)
|
|
|
|
|
#вывод размерностей
|
|
|
|
|
print('Shape of X train:',X_train.shape)
|
|
|
|
|
print('Shape of y train:',y_train.shape)
|
|
|
|
|
|
