From 1eba6aa053fc801d6c26390af0be8c716eba459d Mon Sep 17 00:00:00 2001 From: TekotovaVA Date: Wed, 5 Nov 2025 12:39:48 +0000 Subject: [PATCH] =?UTF-8?q?=D0=98=D0=B7=D0=BC=D0=B5=D0=BD=D0=B8=D0=BB(?= =?UTF-8?q?=D0=B0)=20=D0=BD=D0=B0=20'labworks/LW2/report.md'?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- labworks/LW2/report.md | 12 ++++++------ 1 file changed, 6 insertions(+), 6 deletions(-) diff --git a/labworks/LW2/report.md b/labworks/LW2/report.md index 88d7505..fd2c724 100644 --- a/labworks/LW2/report.md +++ b/labworks/LW2/report.md @@ -213,15 +213,15 @@ lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test) Критерии качественного детектирования аномалий: -1.Данные: двумерный формат входных данных +1. Данные: двумерный формат входных данных -2.Архитектура: наличие bottleneck-слоя уменьшенной размерности +2. Архитектура: наличие bottleneck-слоя уменьшенной размерности -3.Обучение: увеличение эпох при росте сложности сети +3. Обучение: увеличение эпох при росте сложности сети -4.Качество: MSE_stop ∈ [0,1] и минимальная ошибка реконструкции +4. Качество: MSE_stop ∈ [0,1] и минимальная ошибка реконструкции -5.Метрики: Excess=0, Deficit=0, Coating=1, Approx=1" +5. Метрики: Excess=0, Deficit=0, Coating=1, Approx=1" # Задание 2. ## 1. Описание набора реальных данных * 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. @@ -359,7 +359,7 @@ lib.ire_plot('test', ire3, IREth3, 'AE3') | Letter | 9 | 64 48 32 24 16 24 32 48 64 | 100000 | 0.0864 | 3.1 | 100.0 | ## 9. Вывод о требованиях -* Вывод: Для качественного обнаружения аномалий в случае высокой размерности пространства признаков необходимо следующее: +Вывод: Для качественного обнаружения аномалий в случае высокой размерности пространства признаков необходимо следующее: - Данные для обучения должны быть без аномалий, чтобы автокодировщик мог рассчитать верное пороговое значение. - Архитектура автокодировщика должна постепенно сужаться к бутылочному горлышку, а затем постепенно возвращаться к исходным выходным размерам; количество скрытых слоев — 7-11.