форкнуто от main/is_dnn
Родитель
8edfdfef60
Сommit
e89dded36e
@ -1,287 +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)
|
||||
```
|
||||
|
||||
* 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)
|
||||
```
|
||||
|
||||
```
|
||||
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')
|
||||
```
|
||||
|
||||
```
|
||||
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
|
||||
|
||||
> amount: 21
|
||||
> amount_ae: 310
|
||||
|
||||
> 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)
|
||||
```
|
||||
|
||||
> amount: 21
|
||||
> amount_ae: 62
|
||||
|
||||
> 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)
|
||||
```
|
||||
|
||||
* 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
|
||||
|
||||
```
|
||||
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
|
||||
|
||||
## 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)
|
||||
```
|
||||
|
||||
## 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')
|
||||
```
|
||||
|
||||
```
|
||||
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
|
||||
|
||||
## 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
|
||||
Загрузка…
Ссылка в новой задаче