From a8dc5c5df1a13cbf7738ab4bae88f88da2ea6ba4 Mon Sep 17 00:00:00 2001 From: TekotovaVA Date: Wed, 5 Nov 2025 12:38:44 +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 | 25 ++++++++++++------------- 1 file changed, 12 insertions(+), 13 deletions(-) diff --git a/labworks/LW2/report.md b/labworks/LW2/report.md index 204a760..88d7505 100644 --- a/labworks/LW2/report.md +++ b/labworks/LW2/report.md @@ -124,7 +124,7 @@ print("Порог ошибки реконструкции = ",IREth2) ``` > Порог ошибки реконструкции = 0.48 -## 7. Рассчитет характеристик качества обучения EDCA для AE1 и AE2. Визуализация и сравнение области пространства признаков,распознаваемые автокодировщиками AE1 и AE2. Вывод о пригодности AE1 и AE2 для качественного обнаружения аномалий. +## 7. Расчет характеристик качества обучения EDCA для AE1 и AE2. Визуализация и сравнение области пространства признаков,распознаваемые автокодировщиками AE1 и AE2. Вывод о пригодности AE1 и AE2 для качественного обнаружения аномалий. ```python numb_square= 20 xx,yy,Z1=lib.square_calc(numb_square,data,ae1_trained,IREth1,'1',True) @@ -208,7 +208,7 @@ lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test) | AE2 | 5 | 3 2 1 2 3 | 1000 | 0.0103 | 0.48 | 1.26 | 0.44 | 0 | -## 11. Выводы о требованиях +## 12. Выводы о требованиях * Вывод: Критерии качественного детектирования аномалий: @@ -359,14 +359,13 @@ 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 -> Для качественного обнаружения аномалий в случае, когда размерность пространства признаков высока. -> -> Данные для обучения должны быть без аномалий, чтобы автокодировщик смог рассчитать верное пороговое значение -> -> Архитектура автокодировщика должна постепенно сужатся к бутылочному горлышку,а затем постепенно возвращатся к исходным выходным размерам, кол-во скрытых слоев 7-11. -> -> В рамках данного набора данных оптимальное кол-во эпох 100000 с patience 20000 эпох -> -> Оптимальная ошибка MSE-stop в районе 0.1, желательно не меньше для предотвращения переобучения -> -> Значение порога не больше 3.1 \ No newline at end of file +* 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. + +- Обучение: в рамках данного набора данных оптимальное количество эпох — 100000 с параметром patience 20000 эпох. + +- Качество: оптимальная ошибка MSE_stop должна быть около 0.1 (желательно не меньше для предотвращения переобучения). + +- Порог: значение порога не должно превышать 3.1.Ю \ No newline at end of file