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

labworks/LW2/report.md

@@ -209,7 +209,7 @@ lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
 
 
 ## 12. Выводы о требованиях
-* Вывод:
+Вывод:
 
 Критерии качественного детектирования аномалий:
 
@@ -224,15 +224,15 @@ lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
 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.
+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 признаков - 32
 
-  Количество примеров - 1600
+  - Количество примеров - 1600
 
-  Количество нормальных примеров - 1500
+  - Количество нормальных примеров - 1500
 
-  Количество аномальных примеров - 100
+  - Количество аномальных примеров - 100
 
 ## 2. Загрузка многомерной обучающей выборки
 ```python