diff --git a/labworks/LW2/report.md b/labworks/LW2/report.md new file mode 100644 index 0000000..25be959 --- /dev/null +++ b/labworks/LW2/report.md @@ -0,0 +1,364 @@ +# 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) : 3 +> +> Задайте архитектуру скрытых слоёв автокодировщика, например, в виде 3 1 3 : 3 1 3 +> +> Epoch 1/50 +> +> 1/1 ━━━━━━━━━━━━━━━━━━━━ 1s 1s/step - loss: 1.7463 +> +> Epoch 2/50 +> +> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 1.7342 +> +> ... +> +> Epoch 49/50 +> +> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 51ms/step - loss: 1.2118 +> +> Epoch 50/50 +> +> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step - loss: 1.2019 + + + +## 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 = 0.63 + +## 5. Создание и обучиние второй автокодировщик AE2 +``` +patience= 100 +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 ━━━━━━━━━━━━━━━━━━━━ 1s 1s/step - loss: 1.0920 +> +> Epoch 2/1000 +> +> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step - loss: 1.0838 +> +> ... +> +> Epoch 454/1000 +> +> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step - loss: 0.0103 +> +> Epoch 455/1000 +> +> 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step - loss: 0.0103 + +## 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 = 0.48 + +## 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. +``` +numb_square= 20 +xx,yy,Z1=lib.square_calc(numb_square,data,ae1_trained,IREth1,'1',True) +``` +* Качество обучения AE1 +![](7.png) +> amount: 19 +> +> amount_ae: 272 +![](7_1.png) +> Оценка качества AE1 +> +> IDEAL = 0. Excess: 13.31578947368421 +> +> IDEAL = 0. Deficit: 0.0 +> +> IDEAL = 1. Coating: 1.0 +> +> summa: 1.0 +> +> IDEAL = 1. Extrapolation precision (Approx): 0.06985294117647059 + +* Качество обучения AE2 +``` +numb_square= 20 +xx,yy,Z2=lib.square_calc(numb_square,data,ae2_trained,IREth2,'2',True) +``` +![](7_2.png) +> amount: 19 +> +> amount_ae: 43 +![](7_3.png) +> Оценка качества AE2 +> +> IDEAL = 0. Excess: 1.263157894736842 +> +> IDEAL = 0. Deficit: 0.0 +> +> IDEAL = 1. Coating: 1.0 +> +> summa: 1.0 +> +> IDEAL = 1. Extrapolation precision (Approx): 0.44186046511627913 + +``` +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 | 3 | 3 1 3 | 50 | 1.2019 | 0.63 | 13.31 | 0.069 | 0 | +| AE2 | 5 | 3 2 1 2 3 | 1000 | 0.0103 | 0.48 | 1.26 | 0.44 | 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, 20000, early_stopping_delta = 0.001) +``` +> Задать архитектуру автокодировщиков или использовать архитектуру по умолчанию? (1/2): 1 +> +> Задайте количество скрытых слоёв (нечетное число) : 9 +> +> Задайте архитектуру скрытых слоёв автокодировщика, например, в виде 3 1 3 : 64 48 32 24 16 24 32 48 64 +> +> Epoch 1000/100000 +> +> - loss: 6.0089 +> +> Epoch 2000/100000 +> +> - loss: 6.0089 +> +> ... +> +>Epoch 99000/100000 +> +> - loss: 0.0862 +> +> Epoch 100000/100000 +> +> - loss: 0.0864 + +## 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 = 3.1 +## 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.] [6.51] 3.1 +> +> 1 [1.] [8.23] 3.1 +> +> 2 [1.] [8.73] 3.1 +> +> ... +> +> 98 [1.] [6.18] 3.1 +> +> 99 [1.] [5.91] 3.1 +> +> Обнаружено 100.0 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 | 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