Изменил(а) на 'labworks/LW2/report.md'

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
+* 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