diff --git a/labworks/LW2/report.md b/labworks/LW2/report.md deleted file mode 100644 index 6173d52..0000000 --- a/labworks/LW2/report.md +++ /dev/null @@ -1,362 +0,0 @@ -# Отчет по лабораторной работе №2 -Текотова Виктория, Секирин Артем, А-02-22 - -# Задание 1. -## 1. В среде GoogleColab создали блокнот(notebook.ipynb). -``` -import os -os.chdir('/content/drive/MyDrive/Colab Notebooks') -``` - -* импорт модулей -``` -import numpy as np -import lab02_lib as lib -``` - -## 2. Генерация датасета -``` -data=lib.datagen(1,1,1000,2) -``` -![отображение датасета](2.png) -* Вывод данных и размерности -``` -print('Исходныеданные:') -print(data) -print('Размерностьданных:') -print(data.shape) -``` -> Исходныеданные: -> [[1.13623025 1.07517135] -> [1.03093312 1.06813773] -> [0.97208689 1.0748715 ] -> ... -> [1.19215258 0.990978 ] -> [0.95942384 0.94390713] -> [1.04279375 1.03934433]] -> Размерностьданных: -> (1000, 2) - -## 3. Создание и обучение автокодировщик AE1 -``` -patience= 10 -ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt', 50, True, patience) -``` -> Задать архитектуру автокодировщиков или использовать архитектуру по умолчанию? (1/2): 1 -> -> Задайте количество скрытых слоёв (нечетное число) : 1 -> -> Задайте архитектуру скрытых слоёв автокодировщика, например, в виде 3 1 3 : 1 -> -> Epoch 1/50 -> -> 1/1 ━━━━━━━━━━━━━━━━━━━━ 1s 1s/step - loss: 1.6461 -> -> Epoch 2/50 -> -> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 1.6388 -> -> ... -> -> Epoch 49/50 -> -> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 1.3041 -> -> Epoch 50/50 -> -> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 1.2973 -> -> Restoring model weights from the end of the best epoch: 49. -> -> 32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 3ms/step -> -> WARNING:absl:You are saving your model as an HDF5 file via `model.save()` or `keras.saving.save_model(model)`. This file format is considered legacy. We recommend using instead the native Keras format, e.g. `model.save('my_model.keras')` or `keras.saving.save_model(model, 'my_model.keras')`. - - - -## 4. Построение график ошибки реконструкции обучающей выборки. Вывод порога ошибки реконструкции – порога обнаружения аномалий. -``` -patience= 10 -ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt', 50, True, patience) -``` -![График ошибки реконструкции](4.png) -``` -print("Порог ошибки реконструкции = ",IREth1) -``` -> Порог ошибки реконструкции = 1.97 - -## 5. Создание и обучиние второй автокодировщик AE2 -``` -ae2_trained, IRE2, IREth2= lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire_th.txt', 1000, True, patience) -lib.ire_plot('training', IRE2, IREth2, 'AE2') -``` - -> Задать архитектуру автокодировщиков или использовать архитектуру по умолчанию? (1/2): 2 -> -> Epoch 1/1000 -> -> 1/1 ━━━━━━━━━━━━━━━━━━━━ 4s 4s/step - loss: 0.4184 -> -> Epoch 2/1000 -> -> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step - loss: 0.4084 -> -> ... -> -> Epoch 195/1000 -> -> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0146 -> -> Epoch 196/1000 -> -> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0145 -> -> Epoch 196: early stopping -> -> Restoring model weights from the end of the best epoch: 186. -> -> 32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 4ms/step -> -> WARNING:absl:You are saving your model as an HDF5 file via `model.save()` or `keras.saving.save_model(model)`. This file format is considered legacy. We recommend using instead the native Keras format, e.g. `model.save('my_model.keras')` or `keras.saving.save_model(model, 'my_model.keras')`. - -## 6. Построение график ошибки реконструкции обучающей выборки. Вывод порога ошибки реконструкции – порога обнаружения аномалий. -``` -lib.ire_plot('training', IRE2, IREth2, 'AE2') -``` -![График ошибки реконструкции](6.png) -``` -print("Порог ошибки реконструкции = ",IREth2) -``` -> Порог ошибки реконструкции = 0.54 - -## 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. -``` -numb_square= 20 -xx,yy,Z1=lib.square_calc(numb_square,data,ae1_trained,IREth1,'1',True) -``` -* Качество обучения AE1 -![](7.png) -> amount: 21 -> -> amount_ae: 310 -![](7_1.png) -> ООценка качества AE1 -> -> IDEAL = 0. Excess: 13.761904761904763 -> -> IDEAL = 0. Deficit: 0.0 -> -> IDEAL = 1. Coating: 1.0 -> -> summa: 1.0 -> -> IDEAL = 1. Extrapolation precision (Approx): 0.06774193548387096 - -* Качество обучения AE2 -``` -numb_square= 20 -xx,yy,Z2=lib.square_calc(numb_square,data,ae2_trained,IREth2,'2',True) -``` -![](7_2.png) -> amount: 21 -> amount_ae: 62 -![](7_3.png) -> Оценка качества AE2 -> IDEAL = 0. Excess: 1.9523809523809523 -> IDEAL = 0. Deficit: 0.0 -> IDEAL = 1. Coating: 1.0 -> summa: 1.0 -> IDEAL = 1. Extrapolation precision (Approx): 0.33870967741935487 - -``` -lib.plot2in1(data,xx,yy,Z1,Z2) -``` -![](7_4.png) -* Вывод: На основе проведенного сравнения можно заключить, что автокодировщик AE2 с пятислойной архитектурой является оптимальным решением, поскольку обеспечивает минимальную ошибку реконструкции по сравнению с более простой моделью AE1. -## 8. Создание тестовой выборки -``` -test_data = np.array([[1.6, 1.2], [1.2, 1], [1.1, 1], [1.5,1.5], [1, 1], [1.5, 1.5]]) -``` - -## 9. Применение обученных автокодировщиков AE1 и AE2 к тестовым данным -* Автокодировщик AE1 -``` -predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1) -lib.anomaly_detection_ae(predicted_labels1, ire1, IREth1) -lib.ire_plot('test', ire1, IREth1, 'AE1') -``` -* Аномалий не обнаружено -![График ошибки реконструкции](9.png) -``` -predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth2) -lib.anomaly_detection_ae(predicted_labels2, ire2, IREth2) -lib.ire_plot('training', IRE2, IREth2, 'AE2') -``` -* Аномалий не обнаружено -![График ошибки реконструкции](9_1.png) -## 10. Визуализировать элементы обучающей и тестовой выборки в областях пространства признаков -* Построение областей аппроксимации и точек тестового набора -``` -lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test) -``` -![](10.png) -## 11. Результаты исследования занести в таблицу -| Модель | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | Excess | Approx | Аномалии | -|--------|:------------------------:|:-----------------------------------:|:------------------------:|:---------------:|:--------------------------:|:------:|:--------:|:--------:| -| AE1 | 1 | 1 | 50 | 1.2973 | 1.97 | 13.7 | 0.067 | 0 | -| AE2 | 5 | 3 2 1 2 3 | 1000 | 0.0145 | 0.54 | 1.95 | 0.338 | 0 | - - -## 11. Выводы о требованиях -* Вывод: - -Критерии качественного детектирования аномалий: - -1.Данные: двумерный формат входных данных - -2.Архитектура: наличие bottleneck-слоя уменьшенной размерности - -3.Обучение: увеличение эпох при росте сложности сети - -4.Качество: MSE_stop ∈ [0,1] и минимальная ошибка реконструкции - -5.Метрики: Excess=0, Deficit=0, Coating=1, Approx=1" -# Задание 2. -## 1. Оописание своего 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. - - Количество признаков - 32 - - Количество примеров - 1600 - - Количество нормальных примеров - 1500 - - Количество аномальных примеров - 100 - -## 2. Загрузка многомерной обучающей выборки -``` -train= np.loadtxt('letter_train.txt', dtype=float) -test = np.loadtxt('letter_test.txt', dtype=float) -``` -## 3. Вывод данных и размера выборки -``` -print('Исходные данные:') -print(train) -print('Размерность данных:') -print(train.shape) -``` -> Исходные данные: -> -> [[ 6. 10. 5. ... 10. 2. 7.] -> -> [ 0. 6. 0. ... 8. 1. 7.] -> -> [ 4. 7. 5. ... 8. 2. 8.] -> -> ... -> -> [ 7. 10. 10. ... 8. 5. 6.] -> -> [ 7. 7. 10. ... 6. 0. 8.] -> -> [ 3. 4. 5. ... 9. 5. 5.]] -> -> Размерность данных: -> -> (1500, 32) - -## 4. Создание и обучение автокодировщика с подходящей для данных архитектурой. -``` -ae3_trained, IRE3, IREth3 = lib.create_fit_save_ae(train,'out/AE3.h5','out/AE3_ire_th.txt', -100000, False, 5000, early_stopping_delta = 0.001) -``` -> Задать архитектуру автокодировщиков или использовать архитектуру по умолчанию? (1/2): 1 -> -> Задайте количество скрытых слоёв (нечетное число) : 7 -> -> Задайте архитектуру скрытых слоёв автокодировщика, например, в виде 3 1 3 : 31 31 31 31 31 31 31 -> -> -> Epoch 1000/100000 -> -> - loss: 6.0089 -> -> Epoch 2000/100000 - -> - loss: 6.0089 -> -> ... -> -> Epoch 98000/100000 -> -> - loss: 0.0500 -> - -> Epoch 99000/100000 - -> - loss: 0.0489 -> -> Epoch 100000/100000 - -> - loss: 0.0524 -> - -## 5. Построение график ошибки реконструкции обучающей выборки. Вывод порога ошибки реконструкции – порога обнаружения аномалий. -``` -lib.ire_plot('training', IRE3, IREth3, 'AE3') -``` -![График ошибки реконструкции](2_5.png) -``` -print("Порог ошибки реконструкции = ",IREth3) -``` -> Порог ошибки реконструкции = 2.97 -## 6. Загрузка многомерной тестовой выборки -``` -print('Исходные данные:') -print(test) -print('Размерность данных:') -print(test.shape) -``` -> Исходные данные: -> -> [[ 8. 11. 8. ... 7. 4. 9.] -> -> [ 4. 5. 4. ... 13. 8. 8.] -> -> [ 3. 3. 5. ... 8. 3. 8.] -> -> ... -> -> [ 4. 9. 4. ... 8. 3. 8.] -> -> [ 6. 10. 6. ... 9. 8. 8.] -> -> [ 3. 1. 3. ... 9. 1. 7.]] -> -> Размерность данных: -> (100, 32) -## 7. Вывести график ошибки реконструкции элементов тестовой выборки относительно порога -``` -predicted_labels3, ire3 = lib.predict_ae(ae3_trained, test, IREth3) -lib.anomaly_detection_ae(predicted_labels3, ire3, IREth3) -lib.ire_plot('test', ire3, IREth3, 'AE3') -``` -> i Labels IRE IREth -> 0 [1.] [3.16] 2.97 -> 1 [1.] [3.54] 2.97 -> ... -> 98 [1.] [3.28] 2.97 -> 99 [0.] [1.76] 2.97 -> Обнаружено 22.0 аномалий -![График ошибки реконструкции](2_7.png) -## 8. Параметры наилучшего автокодировщика и результаты обнаружения аномалий -| Dataset name | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | % обнаруженных аномалий | -|--------|:------------------------:|:-----------------------------------:|:------------------------:|:---------------:|:--------------------------:|:------:| -| Letter | 7 | 31 31 31 10 31 31 31 | 100000 | 0.0524 | 2.97 | 22.0 | - -## 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 4000 эпох -> Оптимальная ошибка MSE-stop в районе 0.001, желательно не меньше для предотвращения переобучения -> Значение порога не больше 1.6 \ No newline at end of file