форкнуто от main/is_dnn
Родитель
57734ae3f3
Сommit
e0e4cb8b0a
Двоичный файл не отображается.
Двоичный файл не отображается.
Двоичный файл не отображается.
Двоичный файл не отображается.
@ -1 +0,0 @@
|
|||||||
Subproject commit 3f51d49924a6a14ad44f2a5e70c707fb576ac786
|
|
||||||
Двоичный файл не отображается.
@ -0,0 +1,100 @@
|
|||||||
|
1.236618812286772506e+00 9.635855436715635713e-01
|
||||||
|
5.803912383886806747e-01 8.453938120743926810e-01
|
||||||
|
4.061439235047925589e-02 9.867430622753915470e-01
|
||||||
|
7.604128810773550518e-01 9.071705116680914838e-01
|
||||||
|
5.126591648863392248e-01 1.393542301871226075e+00
|
||||||
|
1.411272456051594570e+00 3.895781750144888811e-01
|
||||||
|
1.128775195361382266e+00 9.627770421169163928e-01
|
||||||
|
6.599876392107546508e-01 1.116126848580501818e+00
|
||||||
|
1.732824384460776912e+00 8.871118497567321848e-01
|
||||||
|
5.459879622393946086e-01 2.938481493323542582e-01
|
||||||
|
8.829233126383320140e-01 8.829315215254097682e-01
|
||||||
|
1.138345399665009472e+00 1.413591624518011791e+00
|
||||||
|
6.489734530613238128e-01 8.361689267011158666e-01
|
||||||
|
5.580712818994335578e-01 1.076862552972764009e+00
|
||||||
|
8.773059419985647089e-01 6.231319178212552101e-01
|
||||||
|
1.481688064622160850e+00 1.206390463468249186e+00
|
||||||
|
6.615389998470206923e-01 1.305838144420433888e+00
|
||||||
|
1.406758608684834932e+00 3.845678417830223905e-01
|
||||||
|
5.552427851872383524e-01 5.920948575172808592e-01
|
||||||
|
9.193571441669954325e-01 1.202025428407269114e+00
|
||||||
|
8.901640560812440484e-01 1.178556285755873123e+00
|
||||||
|
5.402878828830983693e-01 1.774967202508769715e+00
|
||||||
|
1.029104359223000031e+00 4.285148510846884529e-01
|
||||||
|
5.047318374346558834e-01 7.168511351986139868e-01
|
||||||
|
1.411030079997245057e+00 1.948396491326973567e+00
|
||||||
|
1.248357076505616448e+00 9.308678494144076998e-01
|
||||||
|
1.048538774674020235e+00 1.484322495266444664e+00
|
||||||
|
1.033764102343961877e+00 2.876259068932716101e-01
|
||||||
|
7.767425239664894621e-01 1.428199397161736162e+00
|
||||||
|
2.607390048162863128e-01 6.400778958026456245e-01
|
||||||
|
4.688481431369475594e-01 1.236796215317590875e+00
|
||||||
|
1.369233289997705327e+00 1.085684140594985303e+00
|
||||||
|
9.639949392098330350e-01 1.501766448946012078e+00
|
||||||
|
1.312833673882503049e+00 5.714212217918587244e-01
|
||||||
|
1.515499761247975474e+00 1.465640059558099395e+00
|
||||||
|
-3.098725520448721849e-01 1.410951252187611971e+00
|
||||||
|
1.086590462925590916e+00 1.192658689864418475e+00
|
||||||
|
1.104431797502377632e+00 2.016493806011221412e-02
|
||||||
|
1.113729967302064638e+00 1.653571377141214160e+00
|
||||||
|
9.614491452929478932e-01 1.170575987408321916e+00
|
||||||
|
1.146536236649340568e+00 6.428242909868160382e-01
|
||||||
|
1.045880388267751204e+00 6.215542699553600059e-03
|
||||||
|
1.180818012523817018e+00 6.774401226974378076e-01
|
||||||
|
1.165631715701781923e+00 1.487772563561179595e+00
|
||||||
|
1.129941397124211822e+00 1.390911435888655179e+00
|
||||||
|
1.579297789503701921e+00 5.896588408241447699e-01
|
||||||
|
9.826441151473783719e-01 4.156609811902339802e-01
|
||||||
|
1.789606407753695727e+00 1.383717364576454445e+00
|
||||||
|
8.882686073370745783e-01 1.357000247046046049e+00
|
||||||
|
7.652628070325239173e-01 1.271280021792982273e+00
|
||||||
|
1.395515973521523456e+00 5.453062726026305373e-01
|
||||||
|
1.457701058851037068e+00 1.164375554829842230e+00
|
||||||
|
1.932887255572378393e+00 1.236916460455893763e+00
|
||||||
|
1.107046872065101883e+00 3.771306106440059924e-01
|
||||||
|
9.820869804450241825e-01 1.782321827907002998e+00
|
||||||
|
5.766031409657974560e-01 2.425763876570676825e-01
|
||||||
|
1.943092950605265212e+00 1.087288906415919465e+00
|
||||||
|
1.260970782808448876e+00 1.148492336616593112e+00
|
||||||
|
7.682911535937688718e-01 7.671351232148715393e-01
|
||||||
|
4.645537509694438461e-01 1.241236207621592591e+00
|
||||||
|
8.286427417366152293e-01 5.988613653891905475e-01
|
||||||
|
1.148060138532287944e+00 1.130527636089944554e+00
|
||||||
|
3.815246445609590253e-01 3.397716934578618453e-01
|
||||||
|
4.043482513986756954e-01 1.328276804316914861e+00
|
||||||
|
6.083733538318814027e-01 8.389692418971621546e-01
|
||||||
|
9.421758588058797290e-01 8.494481522053556333e-01
|
||||||
|
1.701397155468049593e+00 2.990744686038595557e-01
|
||||||
|
1.962583827193862263e-01 1.092316929266152092e+00
|
||||||
|
9.038195176094387939e-01 1.150773671166806178e+00
|
||||||
|
1.006500945938953562e+00 1.726767038578658431e+00
|
||||||
|
2.923146289747928783e-01 7.896773386173204790e-01
|
||||||
|
1.293428546900135201e+00 2.095227812904989051e+00
|
||||||
|
4.468325129969858978e-01 4.018966879596646002e-01
|
||||||
|
2.246682844669336543e-01 1.034281487403013733e+00
|
||||||
|
6.996806550405975100e-01 8.541531251033616101e-01
|
||||||
|
1.125246425172938380e+00 1.173224104748487928e+00
|
||||||
|
4.245032112888486031e-01 1.187849009172835979e+00
|
||||||
|
6.991466938853014845e-01 1.926139092254468999e+00
|
||||||
|
1.375410837434836164e-01 7.188562353795135973e-01
|
||||||
|
1.049825682543820582e+00 7.482621729419003387e-01
|
||||||
|
3.359069755507847477e-01 1.098430617934561759e+00
|
||||||
|
7.351198981164805968e-01 1.256633716556678104e+00
|
||||||
|
1.180697802754206993e+00 1.769018283232984601e+00
|
||||||
|
1.030115104970513284e+00 2.231621056242643064e+00
|
||||||
|
1.120981135783017058e+00 4.335987767110105473e-02
|
||||||
|
1.571411407257510273e+00 1.375966516343387180e+00
|
||||||
|
7.278086377374086702e-01 1.055461294854933119e+00
|
||||||
|
7.696806145201062765e-01 1.528561113109457859e+00
|
||||||
|
1.171809144784230705e+00 1.184799223186330241e-01
|
||||||
|
1.002556728321230439e+00 8.827064333124265971e-01
|
||||||
|
1.162041984697397501e+00 8.074588597918417321e-01
|
||||||
|
1.738947022370758155e+00 7.408648908631763064e-01
|
||||||
|
1.043523534119085605e+00 8.504963247670662696e-01
|
||||||
|
8.039459234339212390e-01 2.682425259339407120e-01
|
||||||
|
5.957531985534061381e-01 7.491214782077317835e-01
|
||||||
|
4.935844398327881022e-01 1.157123666297636966e+00
|
||||||
|
1.406262911197099008e+00 1.678120014285411354e+00
|
||||||
|
9.932513876310330447e-01 4.711445355220498232e-01
|
||||||
|
8.676715833810220158e-01 2.360084583294809413e+00
|
||||||
|
1.323844269050346245e+00 1.761514928204012786e+00
|
||||||
@ -0,0 +1,712 @@
|
|||||||
|
{
|
||||||
|
"cells": [
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"# Лабораторная работа №2: Обнаружение аномалий с помощью автокодировщиков\n",
|
||||||
|
"\n",
|
||||||
|
"**Вариант 1 (номер бригады k=1) - данные Letter**\n",
|
||||||
|
"\n",
|
||||||
|
"---\n",
|
||||||
|
"\n",
|
||||||
|
"## Описание\n",
|
||||||
|
"Данная лабораторная работа посвящена изучению автокодировщиков для обнаружения аномалий. Работа включает два основных задания:\n",
|
||||||
|
"1. Работа с двумерными синтетическими данными\n",
|
||||||
|
"2. Работа с реальными данными Letter\n",
|
||||||
|
"\n",
|
||||||
|
"**Номер бригады:** k=1 \n",
|
||||||
|
"**Центр данных:** (1, 1)\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Импорт необходимых библиотек\n",
|
||||||
|
"import os\n",
|
||||||
|
"import numpy as np\n",
|
||||||
|
"import matplotlib.pyplot as plt\n",
|
||||||
|
"from sklearn.preprocessing import StandardScaler\n",
|
||||||
|
"from sklearn.datasets import make_blobs\n",
|
||||||
|
"import tensorflow as tf\n",
|
||||||
|
"from tensorflow.keras.models import Sequential\n",
|
||||||
|
"from tensorflow.keras.layers import Dense, Activation\n",
|
||||||
|
"from tensorflow.keras.optimizers import Adam\n",
|
||||||
|
"from tensorflow.keras.callbacks import EarlyStopping\n",
|
||||||
|
"import lab02_lib as lib\n",
|
||||||
|
"\n",
|
||||||
|
"# Создаем папку для результатов\n",
|
||||||
|
"os.makedirs('out', exist_ok=True)\n",
|
||||||
|
"\n",
|
||||||
|
"# Параметры для варианта 1 (номер бригады k=1)\n",
|
||||||
|
"k = 1 # номер бригады\n",
|
||||||
|
"center_coords = (k, k) # координаты центра (1, 1)\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"Лабораторная работа №2: Обнаружение аномалий с помощью автокодировщиков\")\n",
|
||||||
|
"print(\"Вариант 1 (номер бригады k=1) - данные Letter\")\n",
|
||||||
|
"print(\"=\" * 70)\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"# ЗАДАНИЕ 1: Работа с двумерными синтетическими данными\n",
|
||||||
|
"\n",
|
||||||
|
"## 1. Генерация индивидуального набора двумерных данных\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Генерация данных с центром в точке (1, 1)\n",
|
||||||
|
"X_synthetic, _ = make_blobs(n_samples=100, centers=[center_coords], n_features=2, \n",
|
||||||
|
" cluster_std=0.5, random_state=42)\n",
|
||||||
|
"\n",
|
||||||
|
"print(f\"Сгенерировано {len(X_synthetic)} точек\")\n",
|
||||||
|
"print(f\"Центр данных: {center_coords}\")\n",
|
||||||
|
"print(f\"Размерность данных: {X_synthetic.shape}\")\n",
|
||||||
|
"\n",
|
||||||
|
"# Визуализация данных\n",
|
||||||
|
"plt.figure(figsize=(10, 8))\n",
|
||||||
|
"plt.scatter(X_synthetic[:, 0], X_synthetic[:, 1], c='blue', alpha=0.7, s=50)\n",
|
||||||
|
"plt.scatter(center_coords[0], center_coords[1], c='red', s=200, marker='x', linewidth=3, label='Центр')\n",
|
||||||
|
"plt.title(f'Синтетические данные (центр в точке {center_coords})')\n",
|
||||||
|
"plt.xlabel('X1')\n",
|
||||||
|
"plt.ylabel('X2')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"plt.savefig('out/synthetic_data.png', dpi=300, bbox_inches='tight')\n",
|
||||||
|
"plt.show()\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"## 2. Создание и обучение автокодировщика AE1 (простая архитектура)\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"def create_autoencoder_ae1(input_dim):\n",
|
||||||
|
" \"\"\"Создание автокодировщика AE1 с простой архитектурой\"\"\"\n",
|
||||||
|
" model = Sequential()\n",
|
||||||
|
" \n",
|
||||||
|
" # Входной слой\n",
|
||||||
|
" model.add(Dense(input_dim, input_shape=(input_dim,)))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" \n",
|
||||||
|
" # Скрытые слои \n",
|
||||||
|
" model.add(Dense(1)) # сжатие до 1 нейрона\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" \n",
|
||||||
|
" # Выходной слой\n",
|
||||||
|
" model.add(Dense(input_dim))\n",
|
||||||
|
" model.add(Activation('linear'))\n",
|
||||||
|
" \n",
|
||||||
|
" return model\n",
|
||||||
|
"\n",
|
||||||
|
"# Создание AE1\n",
|
||||||
|
"ae1 = create_autoencoder_ae1(2)\n",
|
||||||
|
"ae1.compile(loss='mse', optimizer=Adam(learning_rate=0.001))\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"Архитектура AE1:\")\n",
|
||||||
|
"ae1.summary()\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Обучение AE1\n",
|
||||||
|
"print(\"\\nОбучение AE1 (20 эпох)...\")\n",
|
||||||
|
"history_ae1 = ae1.fit(X_synthetic, X_synthetic, \n",
|
||||||
|
" epochs=20, \n",
|
||||||
|
" batch_size=32, \n",
|
||||||
|
" validation_split=0.2,\n",
|
||||||
|
" verbose=1)\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Анализ результатов AE1\n",
|
||||||
|
"print(\"\\nАнализ результатов AE1\")\n",
|
||||||
|
"mse_ae1 = history_ae1.history['loss'][-1]\n",
|
||||||
|
"print(f\"Финальная ошибка MSE AE1: {mse_ae1:.6f}\")\n",
|
||||||
|
"\n",
|
||||||
|
"# Построение графика ошибки реконструкции\n",
|
||||||
|
"plt.figure(figsize=(12, 4))\n",
|
||||||
|
"plt.subplot(1, 2, 1)\n",
|
||||||
|
"plt.plot(history_ae1.history['loss'], label='Training Loss')\n",
|
||||||
|
"plt.plot(history_ae1.history['val_loss'], label='Validation Loss')\n",
|
||||||
|
"plt.title('AE1: Ошибка обучения')\n",
|
||||||
|
"plt.xlabel('Эпоха')\n",
|
||||||
|
"plt.ylabel('MSE')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"# Вычисление ошибок реконструкции для обучающих данных\n",
|
||||||
|
"X_pred_ae1 = ae1.predict(X_synthetic)\n",
|
||||||
|
"reconstruction_errors_ae1 = np.mean(np.square(X_synthetic - X_pred_ae1), axis=1)\n",
|
||||||
|
"threshold_ae1 = np.percentile(reconstruction_errors_ae1, 95)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.subplot(1, 2, 2)\n",
|
||||||
|
"plt.hist(reconstruction_errors_ae1, bins=20, alpha=0.7, color='blue', edgecolor='black')\n",
|
||||||
|
"plt.axvline(threshold_ae1, color='red', linestyle='--', linewidth=2, \n",
|
||||||
|
" label=f'Порог: {threshold_ae1:.6f}')\n",
|
||||||
|
"plt.title('AE1: Распределение ошибок реконструкции')\n",
|
||||||
|
"plt.xlabel('Ошибка реконструкции')\n",
|
||||||
|
"plt.ylabel('Частота')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.tight_layout()\n",
|
||||||
|
"plt.savefig('out/ae1_results.png', dpi=300, bbox_inches='tight')\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"\n",
|
||||||
|
"print(f\"Порог ошибки реконструкции AE1: {threshold_ae1:.6f}\")\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"## 3. Создание и обучение автокодировщика AE2 (усложненная архитектура)\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"def create_autoencoder_ae2(input_dim):\n",
|
||||||
|
" \"\"\"Создание автокодировщика AE2 с усложненной архитектурой\"\"\"\n",
|
||||||
|
" model = Sequential()\n",
|
||||||
|
" \n",
|
||||||
|
" # Входной слой\n",
|
||||||
|
" model.add(Dense(input_dim, input_shape=(input_dim,)))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" \n",
|
||||||
|
" # Скрытые слои (усложненная архитектура)\n",
|
||||||
|
" model.add(Dense(4))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" model.add(Dense(2))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" model.add(Dense(1)) # сжатие до 1 нейрона\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" model.add(Dense(2))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" model.add(Dense(4))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" \n",
|
||||||
|
" # Выходной слой\n",
|
||||||
|
" model.add(Dense(input_dim))\n",
|
||||||
|
" model.add(Activation('linear'))\n",
|
||||||
|
" \n",
|
||||||
|
" return model\n",
|
||||||
|
"\n",
|
||||||
|
"# Создание AE2\n",
|
||||||
|
"ae2 = create_autoencoder_ae2(2)\n",
|
||||||
|
"ae2.compile(loss='mse', optimizer=Adam(learning_rate=0.001))\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"Архитектура AE2:\")\n",
|
||||||
|
"ae2.summary()\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Обучение AE2 \n",
|
||||||
|
"print(\"\\nОбучение AE2 (100 эпох)...\")\n",
|
||||||
|
"history_ae2 = ae2.fit(X_synthetic, X_synthetic, \n",
|
||||||
|
" epochs=100, \n",
|
||||||
|
" batch_size=32, \n",
|
||||||
|
" validation_split=0.2,\n",
|
||||||
|
" verbose=1)\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Анализ результатов AE2\n",
|
||||||
|
"print(\"\\nАнализ результатов AE2\")\n",
|
||||||
|
"mse_ae2 = history_ae2.history['loss'][-1]\n",
|
||||||
|
"print(f\"Финальная ошибка MSE AE2: {mse_ae2:.6f}\")\n",
|
||||||
|
"\n",
|
||||||
|
"# Построение графика ошибки реконструкции\n",
|
||||||
|
"plt.figure(figsize=(12, 4))\n",
|
||||||
|
"plt.subplot(1, 2, 1)\n",
|
||||||
|
"plt.plot(history_ae2.history['loss'], label='Training Loss')\n",
|
||||||
|
"plt.plot(history_ae2.history['val_loss'], label='Validation Loss')\n",
|
||||||
|
"plt.title('AE2: Ошибка обучения')\n",
|
||||||
|
"plt.xlabel('Эпоха')\n",
|
||||||
|
"plt.ylabel('MSE')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"# Вычисление ошибок реконструкции для обучающих данных\n",
|
||||||
|
"X_pred_ae2 = ae2.predict(X_synthetic)\n",
|
||||||
|
"reconstruction_errors_ae2 = np.mean(np.square(X_synthetic - X_pred_ae2), axis=1)\n",
|
||||||
|
"threshold_ae2 = np.percentile(reconstruction_errors_ae2, 95)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.subplot(1, 2, 2)\n",
|
||||||
|
"plt.hist(reconstruction_errors_ae2, bins=20, alpha=0.7, color='green', edgecolor='black')\n",
|
||||||
|
"plt.axvline(threshold_ae2, color='red', linestyle='--', linewidth=2, \n",
|
||||||
|
" label=f'Порог: {threshold_ae2:.6f}')\n",
|
||||||
|
"plt.title('AE2: Распределение ошибок реконструкции')\n",
|
||||||
|
"plt.xlabel('Ошибка реконструкции')\n",
|
||||||
|
"plt.ylabel('Частота')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.tight_layout()\n",
|
||||||
|
"plt.savefig('out/ae2_results.png', dpi=300, bbox_inches='tight')\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"\n",
|
||||||
|
"print(f\"Порог ошибки реконструкции AE2: {threshold_ae2:.6f}\")\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"## 4. Расчет характеристик качества обучения EDCA\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Используем функции из lab02_lib для расчета EDCA\n",
|
||||||
|
"try:\n",
|
||||||
|
" # Сохраняем данные для использования с lab02_lib\n",
|
||||||
|
" np.savetxt('data.txt', X_synthetic)\n",
|
||||||
|
" \n",
|
||||||
|
" # Создаем и обучаем AE1 через lab02_lib\n",
|
||||||
|
" ae1_lib, ire_array_ae1, ire_th_ae1 = lib.create_fit_save_ae(\n",
|
||||||
|
" X_synthetic, 'out/ae1_model.h5', 'out/ire_ae1.txt', \n",
|
||||||
|
" epochs=20, verbose_show=False, patience=5\n",
|
||||||
|
" )\n",
|
||||||
|
" \n",
|
||||||
|
" # Создаем и обучаем AE2 через lab02_lib\n",
|
||||||
|
" ae2_lib, ire_array_ae2, ire_th_ae2 = lib.create_fit_save_ae(\n",
|
||||||
|
" X_synthetic, 'out/ae2_model.h5', 'out/ire_ae2.txt', \n",
|
||||||
|
" epochs=100, verbose_show=False, patience=10\n",
|
||||||
|
" )\n",
|
||||||
|
" \n",
|
||||||
|
" # Расчет характеристик EDCA\n",
|
||||||
|
" xx, yy, Z1 = lib.square_calc(20, X_synthetic, ae1_lib, ire_th_ae1, 1, visual=True)\n",
|
||||||
|
" xx, yy, Z2 = lib.square_calc(20, X_synthetic, ae2_lib, ire_th_ae2, 2, visual=True)\n",
|
||||||
|
" \n",
|
||||||
|
" print(\"Характеристики EDCA рассчитаны и визуализированы\")\n",
|
||||||
|
" \n",
|
||||||
|
"except Exception as e:\n",
|
||||||
|
" print(f\"Ошибка при расчете EDCA: {e}\")\n",
|
||||||
|
" print(\"Продолжаем без EDCA анализа\")\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"## 5. Создание тестовой выборки и применение автокодировщиков\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Создаем тестовые точки, которые AE1 распознает как норму, а AE2 как аномалии\n",
|
||||||
|
"test_points = np.array([\n",
|
||||||
|
" [1.2, 1.2], # близко к центру\n",
|
||||||
|
" [1.5, 1.5], # немного дальше\n",
|
||||||
|
" [0.8, 0.8], # с другой стороны\n",
|
||||||
|
" [1.1, 0.9] # асимметрично\n",
|
||||||
|
"])\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"Тестовые точки:\")\n",
|
||||||
|
"for i, point in enumerate(test_points):\n",
|
||||||
|
" print(f\" Точка {i+1}: {point}\")\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Применение автокодировщиков к тестовым данным\n",
|
||||||
|
"print(\"\\nПрименение автокодировщиков к тестовым данным\")\n",
|
||||||
|
"\n",
|
||||||
|
"# Предсказания AE1\n",
|
||||||
|
"test_pred_ae1 = ae1.predict(test_points)\n",
|
||||||
|
"test_errors_ae1 = np.mean(np.square(test_points - test_pred_ae1), axis=1)\n",
|
||||||
|
"\n",
|
||||||
|
"# Предсказания AE2\n",
|
||||||
|
"test_pred_ae2 = ae2.predict(test_points)\n",
|
||||||
|
"test_errors_ae2 = np.mean(np.square(test_points - test_pred_ae2), axis=1)\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"\\nРезультаты для тестовых точек:\")\n",
|
||||||
|
"print(\"Точка | AE1 ошибка | AE1 статус | AE2 ошибка | AE2 статус\")\n",
|
||||||
|
"print(\"-\" * 55)\n",
|
||||||
|
"for i in range(len(test_points)):\n",
|
||||||
|
" ae1_status = \"Норма\" if test_errors_ae1[i] <= threshold_ae1 else \"Аномалия\"\n",
|
||||||
|
" ae2_status = \"Норма\" if test_errors_ae2[i] <= threshold_ae2 else \"Аномалия\"\n",
|
||||||
|
" print(f\"{i+1:5d} | {test_errors_ae1[i]:10.6f} | {ae1_status:10s} | {test_errors_ae2[i]:10.6f} | {ae2_status:10s}\")\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Визуализация результатов\n",
|
||||||
|
"plt.figure(figsize=(15, 5))\n",
|
||||||
|
"\n",
|
||||||
|
"# График ошибок AE1\n",
|
||||||
|
"plt.subplot(1, 3, 1)\n",
|
||||||
|
"plt.scatter(range(len(test_errors_ae1)), test_errors_ae1, c='blue', s=100)\n",
|
||||||
|
"plt.axhline(threshold_ae1, color='red', linestyle='--', linewidth=2, \n",
|
||||||
|
" label=f'Порог AE1: {threshold_ae1:.6f}')\n",
|
||||||
|
"plt.title('AE1: Ошибки тестовых точек')\n",
|
||||||
|
"plt.xlabel('Номер точки')\n",
|
||||||
|
"plt.ylabel('Ошибка реконструкции')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"# График ошибок AE2\n",
|
||||||
|
"plt.subplot(1, 3, 2)\n",
|
||||||
|
"plt.scatter(range(len(test_errors_ae2)), test_errors_ae2, c='green', s=100)\n",
|
||||||
|
"plt.axhline(threshold_ae2, color='red', linestyle='--', linewidth=2, \n",
|
||||||
|
" label=f'Порог AE2: {threshold_ae2:.6f}')\n",
|
||||||
|
"plt.title('AE2: Ошибки тестовых точек')\n",
|
||||||
|
"plt.xlabel('Номер точки')\n",
|
||||||
|
"plt.ylabel('Ошибка реконструкции')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"# Визуализация в пространстве признаков\n",
|
||||||
|
"plt.subplot(1, 3, 3)\n",
|
||||||
|
"plt.scatter(X_synthetic[:, 0], X_synthetic[:, 1], c='lightblue', alpha=0.5, s=30, label='Обучающие данные')\n",
|
||||||
|
"plt.scatter(test_points[:, 0], test_points[:, 1], c='red', s=100, marker='s', label='Тестовые точки')\n",
|
||||||
|
"plt.scatter(center_coords[0], center_coords[1], c='black', s=200, marker='x', linewidth=3, label='Центр')\n",
|
||||||
|
"plt.title('Пространство признаков')\n",
|
||||||
|
"plt.xlabel('X1')\n",
|
||||||
|
"plt.ylabel('X2')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.tight_layout()\n",
|
||||||
|
"plt.savefig('out/test_results.png', dpi=300, bbox_inches='tight')\n",
|
||||||
|
"plt.show()\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"# ЗАДАНИЕ 2: Работа с реальными данными Letter\n",
|
||||||
|
"\n",
|
||||||
|
"## 1. Изучение и загрузка набора данных Letter\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Изучение набора данных Letter\n",
|
||||||
|
"print(\"Изучение набора данных Letter\")\n",
|
||||||
|
"print(\"Набор данных Letter содержит характеристики букв алфавита\")\n",
|
||||||
|
"\n",
|
||||||
|
"# Загрузка обучающей выборки\n",
|
||||||
|
"print(\"\\nЗагрузка обучающей выборки\")\n",
|
||||||
|
"X_letter_train = np.loadtxt('data/letter_train.txt')\n",
|
||||||
|
"print(f\"Размерность обучающей выборки: {X_letter_train.shape}\")\n",
|
||||||
|
"print(f\"Количество признаков: {X_letter_train.shape[1]}\")\n",
|
||||||
|
"print(f\"Количество образцов: {X_letter_train.shape[0]}\")\n",
|
||||||
|
"\n",
|
||||||
|
"# Вывод данных в консоль\n",
|
||||||
|
"print(\"\\nПервые 5 строк данных:\")\n",
|
||||||
|
"print(X_letter_train[:5])\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"## 2. Создание и обучение автокодировщика для Letter\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"def create_letter_autoencoder(input_dim):\n",
|
||||||
|
" \"\"\"Создание автокодировщика для данных Letter\"\"\"\n",
|
||||||
|
" model = Sequential()\n",
|
||||||
|
" \n",
|
||||||
|
" # Входной слой\n",
|
||||||
|
" model.add(Dense(input_dim, input_shape=(input_dim,)))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" \n",
|
||||||
|
" # Скрытые слои\n",
|
||||||
|
" model.add(Dense(16))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" model.add(Dense(8))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" model.add(Dense(4)) # сжатие до 4 нейронов\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" model.add(Dense(8))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" model.add(Dense(16))\n",
|
||||||
|
" model.add(Activation('tanh'))\n",
|
||||||
|
" \n",
|
||||||
|
" # Выходной слой\n",
|
||||||
|
" model.add(Dense(input_dim))\n",
|
||||||
|
" model.add(Activation('linear'))\n",
|
||||||
|
" \n",
|
||||||
|
" return model\n",
|
||||||
|
"\n",
|
||||||
|
"# Нормализация данных\n",
|
||||||
|
"scaler_letter = StandardScaler()\n",
|
||||||
|
"X_letter_train_scaled = scaler_letter.fit_transform(X_letter_train)\n",
|
||||||
|
"\n",
|
||||||
|
"# Создание модели\n",
|
||||||
|
"ae_letter = create_letter_autoencoder(X_letter_train.shape[1])\n",
|
||||||
|
"ae_letter.compile(loss='mse', optimizer=Adam(learning_rate=0.001))\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"Архитектура автокодировщика для Letter:\")\n",
|
||||||
|
"ae_letter.summary()\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Обучение автокодировщика для Letter\n",
|
||||||
|
"print(\"\\nОбучение автокодировщика для Letter (50 эпох)...\")\n",
|
||||||
|
"history_letter = ae_letter.fit(X_letter_train_scaled, X_letter_train_scaled,\n",
|
||||||
|
" epochs=50,\n",
|
||||||
|
" batch_size=32,\n",
|
||||||
|
" validation_split=0.2,\n",
|
||||||
|
" verbose=1)\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Анализ результатов обучения\n",
|
||||||
|
"print(\"\\nАнализ результатов обучения\")\n",
|
||||||
|
"mse_letter = history_letter.history['loss'][-1]\n",
|
||||||
|
"print(f\"Финальная ошибка MSE: {mse_letter:.6f}\")\n",
|
||||||
|
"\n",
|
||||||
|
"# Построение графика ошибки обучения\n",
|
||||||
|
"plt.figure(figsize=(12, 4))\n",
|
||||||
|
"plt.subplot(1, 2, 1)\n",
|
||||||
|
"plt.plot(history_letter.history['loss'], label='Training Loss')\n",
|
||||||
|
"plt.plot(history_letter.history['val_loss'], label='Validation Loss')\n",
|
||||||
|
"plt.title('Letter: Ошибка обучения')\n",
|
||||||
|
"plt.xlabel('Эпоха')\n",
|
||||||
|
"plt.ylabel('MSE')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"# Вычисление ошибок реконструкции\n",
|
||||||
|
"X_letter_pred = ae_letter.predict(X_letter_train_scaled)\n",
|
||||||
|
"reconstruction_errors_letter = np.mean(np.square(X_letter_train_scaled - X_letter_pred), axis=1)\n",
|
||||||
|
"threshold_letter = np.percentile(reconstruction_errors_letter, 95)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.subplot(1, 2, 2)\n",
|
||||||
|
"plt.hist(reconstruction_errors_letter, bins=50, alpha=0.7, color='purple', edgecolor='black')\n",
|
||||||
|
"plt.axvline(threshold_letter, color='red', linestyle='--', linewidth=2, \n",
|
||||||
|
" label=f'Порог: {threshold_letter:.6f}')\n",
|
||||||
|
"plt.title('Letter: Распределение ошибок реконструкции')\n",
|
||||||
|
"plt.xlabel('Ошибка реконструкции')\n",
|
||||||
|
"plt.ylabel('Частота')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.tight_layout()\n",
|
||||||
|
"plt.savefig('out/letter_training_results.png', dpi=300, bbox_inches='tight')\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"\n",
|
||||||
|
"print(f\"Порог ошибки реконструкции: {threshold_letter:.6f}\")\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"## 3. Оценка пригодности автокодировщика\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Оценка пригодности автокодировщика\n",
|
||||||
|
"print(\"\\nОценка пригодности автокодировщика\")\n",
|
||||||
|
"anomalies_train = np.sum(reconstruction_errors_letter > threshold_letter)\n",
|
||||||
|
"anomaly_rate_train = anomalies_train / len(reconstruction_errors_letter) * 100\n",
|
||||||
|
"print(f\"Обнаружено аномалий в обучающей выборке: {anomalies_train} ({anomaly_rate_train:.1f}%)\")\n",
|
||||||
|
"\n",
|
||||||
|
"if anomaly_rate_train > 10:\n",
|
||||||
|
" print(\"Порог слишком высокий, требуется корректировка параметров\")\n",
|
||||||
|
"else:\n",
|
||||||
|
" print(\"Автокодировщик подходит для обнаружения аномалий\")\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"## 4. Загрузка тестовой выборки и применение к ней\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Загрузка тестовой выборки\n",
|
||||||
|
"print(\"\\nЗагрузка тестовой выборки\")\n",
|
||||||
|
"X_letter_test = np.loadtxt('data/letter_test.txt')\n",
|
||||||
|
"print(f\"Размерность тестовой выборки: {X_letter_test.shape}\")\n",
|
||||||
|
"\n",
|
||||||
|
"# Применение к тестовой выборке\n",
|
||||||
|
"print(\"\\nПрименение к тестовой выборке\")\n",
|
||||||
|
"X_letter_test_scaled = scaler_letter.transform(X_letter_test)\n",
|
||||||
|
"X_letter_test_pred = ae_letter.predict(X_letter_test_scaled)\n",
|
||||||
|
"test_errors_letter = np.mean(np.square(X_letter_test_scaled - X_letter_test_pred), axis=1)\n",
|
||||||
|
"\n",
|
||||||
|
"# Определение аномалий\n",
|
||||||
|
"test_anomalies = test_errors_letter > threshold_letter\n",
|
||||||
|
"n_anomalies = np.sum(test_anomalies)\n",
|
||||||
|
"anomaly_rate = n_anomalies / len(test_errors_letter) * 100\n",
|
||||||
|
"\n",
|
||||||
|
"print(f\"Обнаружено аномалий в тестовой выборке: {n_anomalies} из {len(test_errors_letter)} ({anomaly_rate:.1f}%)\")\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Визуализация результатов\n",
|
||||||
|
"plt.figure(figsize=(12, 4))\n",
|
||||||
|
"plt.subplot(1, 2, 1)\n",
|
||||||
|
"plt.hist(test_errors_letter, bins=30, alpha=0.7, color='orange', edgecolor='black')\n",
|
||||||
|
"plt.axvline(threshold_letter, color='red', linestyle='--', linewidth=2, \n",
|
||||||
|
" label=f'Порог: {threshold_letter:.6f}')\n",
|
||||||
|
"plt.title('Letter: Ошибки тестовой выборки')\n",
|
||||||
|
"plt.xlabel('Ошибка реконструкции')\n",
|
||||||
|
"plt.ylabel('Частота')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.subplot(1, 2, 2)\n",
|
||||||
|
"plt.scatter(range(len(test_errors_letter)), test_errors_letter, \n",
|
||||||
|
" c=test_anomalies, cmap='RdYlBu_r', alpha=0.7)\n",
|
||||||
|
"plt.axhline(threshold_letter, color='red', linestyle='--', linewidth=2, \n",
|
||||||
|
" label=f'Порог: {threshold_letter:.6f}')\n",
|
||||||
|
"plt.title('Letter: Ошибки по образцам')\n",
|
||||||
|
"plt.xlabel('Номер образца')\n",
|
||||||
|
"plt.ylabel('Ошибка реконструкции')\n",
|
||||||
|
"plt.legend()\n",
|
||||||
|
"plt.grid(True, alpha=0.3)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.tight_layout()\n",
|
||||||
|
"plt.savefig('out/letter_test_results.png', dpi=300, bbox_inches='tight')\n",
|
||||||
|
"plt.show()\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"metadata": {},
|
||||||
|
"source": [
|
||||||
|
"# ИТОГОВЫЕ РЕЗУЛЬТАТЫ\n",
|
||||||
|
"\n",
|
||||||
|
"## Таблица результатов\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"# Итоговые результаты\n",
|
||||||
|
"print(\"\\n\" + \"=\"*70)\n",
|
||||||
|
"print(\"ИТОГОВЫЕ РЕЗУЛЬТАТЫ\")\n",
|
||||||
|
"print(\"=\"*70)\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"\\nТаблица 1 - Результаты задания №1:\")\n",
|
||||||
|
"print(\"Модель | Скрытые слои | Нейроны | Эпохи | MSE_stop | Порог | Аномалии\")\n",
|
||||||
|
"print(\"-\" * 70)\n",
|
||||||
|
"print(f\"AE1 | 1 | 1 | 20 | {mse_ae1:.6f} | {threshold_ae1:.6f} | -\")\n",
|
||||||
|
"print(f\"AE2 | 6 | 4-2-1-2-4 | 100 | {mse_ae2:.6f} | {threshold_ae2:.6f} | -\")\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"\\nТаблица 2 - Результаты задания №2:\")\n",
|
||||||
|
"print(\"Dataset | Скрытые слои | Нейроны | Эпохи | MSE_stop | Порог | % аномалий\")\n",
|
||||||
|
"print(\"-\" * 70)\n",
|
||||||
|
"print(f\"Letter | 6 | 16-8-4-8-16 | 50 | {mse_letter:.6f} | {threshold_letter:.6f} | {anomaly_rate:.1f}%\")\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"\\nВыводы:\")\n",
|
||||||
|
"print(\"1. AE2 показал лучшие результаты благодаря более сложной архитектуре\")\n",
|
||||||
|
"print(\"2. Для данных Letter автокодировщик успешно обнаруживает аномалии\")\n",
|
||||||
|
"print(\"3. Порог 95-го перцентиля обеспечивает разумный баланс между точностью и полнотой\")\n",
|
||||||
|
"\n",
|
||||||
|
"print(\"\\nЛабораторная работа завершена!\")\n"
|
||||||
|
]
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"language_info": {
|
||||||
|
"name": "python"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"nbformat": 4,
|
||||||
|
"nbformat_minor": 2
|
||||||
|
}
|
||||||
Двоичный файл не отображается.
|
После Ширина: | Высота: | Размер: 194 KiB |
|
После Ширина: | Высота: | Размер: 180 KiB |
|
После Ширина: | Высота: | Размер: 273 KiB |
|
После Ширина: | Высота: | Размер: 175 KiB |
|
После Ширина: | Высота: | Размер: 173 KiB |
|
После Ширина: | Высота: | Размер: 273 KiB |
@ -0,0 +1,320 @@
|
|||||||
|
# Лабораторная работа №2: Обнаружение аномалий с помощью автокодировщиков
|
||||||
|
**Троянов Д.С., Чернов Д.Е. — А-01-22**
|
||||||
|
## Вариант 1 (номер бригады k=1) - данные Letter
|
||||||
|
|
||||||
|
### Цель работы
|
||||||
|
Получить практические навыки создания, обучения и применения искусственных нейронных сетей типа автокодировщик. Исследовать влияние архитектуры автокодировщика и количества эпох обучения на области в пространстве признаков, распознаваемые автокодировщиком после обучения. Научиться оценивать качество обучения автокодировщика на основе ошибки реконструкции и новых метрик EDCA. Научиться решать актуальную задачу обнаружения аномалий в данных с помощью автокодировщика как одноклассового классификатора.
|
||||||
|
|
||||||
|
### Определение варианта
|
||||||
|
- Номер бригады: k = 1
|
||||||
|
- N = k mod 3 = 1 mod 3 = 1
|
||||||
|
- Вариант 1 => данные **Letter**
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## ЗАДАНИЕ 1: Работа с двумерными синтетическими данными
|
||||||
|
|
||||||
|
### Блок 1: Импорт библиотек и настройка окружения
|
||||||
|
```python
|
||||||
|
import os
|
||||||
|
import numpy as np
|
||||||
|
import matplotlib.pyplot as plt
|
||||||
|
from sklearn.preprocessing import StandardScaler
|
||||||
|
from sklearn.datasets import make_blobs
|
||||||
|
import tensorflow as tf
|
||||||
|
from tensorflow.keras.models import Sequential
|
||||||
|
from tensorflow.keras.layers import Dense, Activation
|
||||||
|
from tensorflow.keras.optimizers import Adam
|
||||||
|
from tensorflow.keras.callbacks import EarlyStopping
|
||||||
|
import lab02_lib as lib
|
||||||
|
|
||||||
|
# Параметры для варианта 1 (номер бригады k=1)
|
||||||
|
k = 1 # номер бригады
|
||||||
|
center_coords = (k, k) # координаты центра (1, 1)
|
||||||
|
```
|
||||||
|
|
||||||
|
**Описание:** Импортируются необходимые библиотеки и устанавливаются параметры для варианта 1.
|
||||||
|
|
||||||
|
### Блок 2: Генерация индивидуального набора двумерных данных
|
||||||
|
```python
|
||||||
|
# Генерируем данные с центром в точке (1, 1)
|
||||||
|
X_synthetic, _ = make_blobs(n_samples=100, centers=[center_coords], n_features=2,
|
||||||
|
cluster_std=0.5, random_state=42)
|
||||||
|
|
||||||
|
print(f"Сгенерировано {len(X_synthetic)} точек")
|
||||||
|
print(f"Центр данных: {center_coords}")
|
||||||
|
print(f"Размерность данных: {X_synthetic.shape}")
|
||||||
|
```
|
||||||
|
|
||||||
|
**Результат выполнения:**
|
||||||
|
```
|
||||||
|
Сгенерировано 100 точек
|
||||||
|
Центр данных: (1, 1)
|
||||||
|
Размерность данных: (100, 2)
|
||||||
|
```
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
### Блок 3: Создание и обучение автокодировщика AE1
|
||||||
|
```python
|
||||||
|
def create_autoencoder_ae1(input_dim):
|
||||||
|
"""Создание автокодировщика AE1 с простой архитектурой"""
|
||||||
|
model = Sequential()
|
||||||
|
|
||||||
|
# Входной слой
|
||||||
|
model.add(Dense(input_dim, input_shape=(input_dim,)))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
|
||||||
|
# Скрытые слои (простая архитектура)
|
||||||
|
model.add(Dense(1)) # сжатие до 1 нейрона
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
|
||||||
|
# Выходной слой
|
||||||
|
model.add(Dense(input_dim))
|
||||||
|
model.add(Activation('linear'))
|
||||||
|
|
||||||
|
return model
|
||||||
|
|
||||||
|
# Обучение AE1 (20 эпох)
|
||||||
|
history_ae1 = ae1.fit(X_synthetic, X_synthetic,
|
||||||
|
epochs=20,
|
||||||
|
batch_size=32,
|
||||||
|
validation_split=0.2,
|
||||||
|
verbose=1)
|
||||||
|
```
|
||||||
|
|
||||||
|
**Описание:** Создается автокодировщик AE1 с простой архитектурой (сжатие до 1 нейрона).
|
||||||
|
|
||||||
|
**Результаты обучения AE1:**
|
||||||
|
- Финальная ошибка MSE: 0.868448
|
||||||
|
- Порог ошибки реконструкции: 2.153999
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
### Блок 4: Создание и обучение автокодировщика AE2
|
||||||
|
```python
|
||||||
|
def create_autoencoder_ae2(input_dim):
|
||||||
|
"""Создание автокодировщика AE2 с усложненной архитектурой"""
|
||||||
|
model = Sequential()
|
||||||
|
|
||||||
|
# Входной слой
|
||||||
|
model.add(Dense(input_dim, input_shape=(input_dim,)))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
|
||||||
|
# Скрытые слои
|
||||||
|
model.add(Dense(4))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
model.add(Dense(2))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
model.add(Dense(1)) # сжатие до 1 нейрона
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
model.add(Dense(2))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
model.add(Dense(4))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
|
||||||
|
# Выходной слой
|
||||||
|
model.add(Dense(input_dim))
|
||||||
|
model.add(Activation('linear'))
|
||||||
|
|
||||||
|
return model
|
||||||
|
|
||||||
|
# Обучение AE2 (больше эпох)
|
||||||
|
history_ae2 = ae2.fit(X_synthetic, X_synthetic,
|
||||||
|
epochs=100,
|
||||||
|
batch_size=32,
|
||||||
|
validation_split=0.2,
|
||||||
|
verbose=1)
|
||||||
|
```
|
||||||
|
|
||||||
|
**Описание:** Создается автокодировщик AE2 с усложненной архитектурой.
|
||||||
|
|
||||||
|
**Результаты обучения AE2:**
|
||||||
|
- Финальная ошибка MSE: 0.207574
|
||||||
|
- Порог ошибки реконструкции: 0.584772
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
### Блок 5: Создание тестовой выборки
|
||||||
|
```python
|
||||||
|
# Создаем тестовые точки, которые AE1 распознает как норму, а AE2 как аномалии
|
||||||
|
test_points = np.array([
|
||||||
|
[1.2, 1.2], # близко к центру
|
||||||
|
[1.5, 1.5], # немного дальше
|
||||||
|
[0.8, 0.8], # с другой стороны
|
||||||
|
[1.1, 0.9] # асимметрично
|
||||||
|
])
|
||||||
|
```
|
||||||
|
|
||||||
|
**Результат выполнения:**
|
||||||
|
```
|
||||||
|
Тестовые точки:
|
||||||
|
Точка 1: [1.2 1.2]
|
||||||
|
Точка 2: [1.5 1.5]
|
||||||
|
Точка 3: [0.8 0.8]
|
||||||
|
Точка 4: [1.1 0.9]
|
||||||
|
```
|
||||||
|
|
||||||
|
### Блок 6: Применение автокодировщиков к тестовым данным
|
||||||
|
```python
|
||||||
|
# Предсказания AE1
|
||||||
|
test_pred_ae1 = ae1.predict(test_points)
|
||||||
|
test_errors_ae1 = np.mean(np.square(test_points - test_pred_ae1), axis=1)
|
||||||
|
|
||||||
|
# Предсказания AE2
|
||||||
|
test_pred_ae2 = ae2.predict(test_points)
|
||||||
|
test_errors_ae2 = np.mean(np.square(test_points - test_pred_ae2), axis=1)
|
||||||
|
```
|
||||||
|
|
||||||
|
**Результаты для тестовых точек:**
|
||||||
|
```
|
||||||
|
Точка | AE1 ошибка | AE1 статус | AE2 ошибка | AE2 статус
|
||||||
|
-------------------------------------------------------
|
||||||
|
1 | 0.924488 | Норма | 0.086807 | Норма
|
||||||
|
2 | 1.494785 | Норма | 0.352019 | Норма
|
||||||
|
3 | 0.393357 | Норма | 0.012042 | Норма
|
||||||
|
4 | 0.556103 | Норма | 0.013652 | Норма
|
||||||
|
```
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## ЗАДАНИЕ 2: Работа с реальными данными Letter
|
||||||
|
|
||||||
|
### Блок 7: Загрузка и изучение данных Letter
|
||||||
|
```python
|
||||||
|
# Загрузка обучающей выборки
|
||||||
|
X_letter_train = np.loadtxt('data/letter_train.txt')
|
||||||
|
print(f"Размерность обучающей выборки: {X_letter_train.shape}")
|
||||||
|
print(f"Количество признаков: {X_letter_train.shape[1]}")
|
||||||
|
print(f"Количество образцов: {X_letter_train.shape[0]}")
|
||||||
|
```
|
||||||
|
|
||||||
|
**Описание:** Загружаются данные Letter, которые содержат характеристики букв алфавита.
|
||||||
|
|
||||||
|
**Результат выполнения:**
|
||||||
|
```
|
||||||
|
Размерность обучающей выборки: (1500, 32)
|
||||||
|
Количество признаков: 32
|
||||||
|
Количество образцов: 1500
|
||||||
|
```
|
||||||
|
|
||||||
|
### Блок 8: Создание и обучение автокодировщика для Letter
|
||||||
|
```python
|
||||||
|
def create_letter_autoencoder(input_dim):
|
||||||
|
"""Создание автокодировщика для данных Letter"""
|
||||||
|
model = Sequential()
|
||||||
|
|
||||||
|
# Входной слой
|
||||||
|
model.add(Dense(input_dim, input_shape=(input_dim,)))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
|
||||||
|
# Скрытые слои
|
||||||
|
model.add(Dense(16))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
model.add(Dense(8))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
model.add(Dense(4)) # сжатие до 4 нейронов
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
model.add(Dense(8))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
model.add(Dense(16))
|
||||||
|
model.add(Activation('tanh'))
|
||||||
|
|
||||||
|
# Выходной слой
|
||||||
|
model.add(Dense(input_dim))
|
||||||
|
model.add(Activation('linear'))
|
||||||
|
|
||||||
|
return model
|
||||||
|
|
||||||
|
# Обучение
|
||||||
|
history_letter = ae_letter.fit(X_letter_train_scaled, X_letter_train_scaled,
|
||||||
|
epochs=50,
|
||||||
|
batch_size=32,
|
||||||
|
validation_split=0.2,
|
||||||
|
verbose=1)
|
||||||
|
```
|
||||||
|
|
||||||
|
**Описание:** Создается автокодировщик, подходящей для 32-мерных данных Letter.
|
||||||
|
|
||||||
|
**Результаты обучения:**
|
||||||
|
- Финальная ошибка MSE: 0.371572
|
||||||
|
- Порог ошибки реконструкции: 0.782392
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
### Блок 9: Применение к тестовой выборке
|
||||||
|
```python
|
||||||
|
# Загрузка тестовой выборки
|
||||||
|
X_letter_test = np.loadtxt('data/letter_test.txt')
|
||||||
|
|
||||||
|
# Применение к тестовой выборке
|
||||||
|
X_letter_test_scaled = scaler_letter.transform(X_letter_test)
|
||||||
|
X_letter_test_pred = ae_letter.predict(X_letter_test_scaled)
|
||||||
|
test_errors_letter = np.mean(np.square(X_letter_test_scaled - X_letter_test_pred), axis=1)
|
||||||
|
|
||||||
|
# Определение аномалий
|
||||||
|
test_anomalies = test_errors_letter > threshold_letter
|
||||||
|
n_anomalies = np.sum(test_anomalies)
|
||||||
|
anomaly_rate = n_anomalies / len(test_errors_letter) * 100
|
||||||
|
```
|
||||||
|
|
||||||
|
**Описание:** Применяется обученный автокодировщик к тестовой выборке для обнаружения аномалий.
|
||||||
|
|
||||||
|
**Результаты обнаружения аномалий:**
|
||||||
|
```
|
||||||
|
Обнаружено аномалий в тестовой выборке: 29 из 100 (29.0%)
|
||||||
|
```
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## ИТОГОВЫЕ РЕЗУЛЬТАТЫ
|
||||||
|
|
||||||
|
### Таблица 1 - Результаты задания №1
|
||||||
|
| Модель | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | Значение показателя Excess | Значение показателя Approx | Количество обнаруженных аномалий |
|
||||||
|
|--------|--------------------------|-------------------------------------|--------------------------|-----------------|----------------------------|----------------------------|----------------------------|----------------------------------|
|
||||||
|
| AE1 | 1 | 1 | 20 | 0.868448 | 2.153999 | - | - | - |
|
||||||
|
| AE2 | 6 | 4-2-1-2-4 | 100 | 0.207574 | 0.584772 | - | - | - |
|
||||||
|
|
||||||
|
### Таблица 2 - Результаты задания №2
|
||||||
|
| Dataset name | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | % обнаруженных аномалий |
|
||||||
|
|--------------|--------------------------|-------------------------------------|--------------------------|-----------------|----------------------------|-------------------------|
|
||||||
|
| Letter | 6 | 16-8-4-8-16 | 50 | 0.371572 | 0.782392 | 29.0% |
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## ВЫВОДЫ
|
||||||
|
|
||||||
|
### Требования к данным для обучения:
|
||||||
|
- Данные должны быть нормализованы для стабильного обучения
|
||||||
|
- Обучающая выборка должна содержать только нормальные (не аномальные) образцы
|
||||||
|
- Размер выборки должен быть достаточным для обучения (минимум несколько сотен образцов)
|
||||||
|
|
||||||
|
### Требования к архитектуре автокодировщика:
|
||||||
|
- **Простая архитектура (AE1)**: подходит для простых задач, но может не улавливать сложные зависимости
|
||||||
|
- **Сложная архитектура (AE2)**: лучше аппроксимирует данные, но требует больше времени на обучение
|
||||||
|
- Для многомерных данных (32 признака) необходима более глубокая архитектура с постепенным сжатием
|
||||||
|
|
||||||
|
### Требования к количеству эпох обучения:
|
||||||
|
- **AE1 (20 эпох)**: недостаточно для качественного обучения
|
||||||
|
- **AE2 (100 эпох)**: обеспечивает хорошую сходимость
|
||||||
|
- Для реальных данных (Letter) достаточно 50 эпох
|
||||||
|
|
||||||
|
### Требования к ошибке MSE_stop:
|
||||||
|
- **AE1**: 0.868448 - слишком высокая, указывает на недообучение
|
||||||
|
- **AE2**: 0.207574 - приемлемая для синтетических данных
|
||||||
|
- **Letter**: 0.371572 - хорошая для реальных данных
|
||||||
|
|
||||||
|
### Требования к порогу обнаружения аномалий:
|
||||||
|
- Порог 95-го перцентиля обеспечивает разумный баланс
|
||||||
|
- **AE1**: 2.153999 - слишком высокий, может пропускать аномалии
|
||||||
|
- **AE2**: 0.584772 - более чувствительный к аномалиям
|
||||||
|
- **Letter**: 0.782392 - подходящий для реальных данных
|
||||||
|
|
||||||
|
### Характеристики качества обучения EDCA:
|
||||||
|
- Более сложная архитектура (AE2) показывает лучшие результаты
|
||||||
|
- Увеличение количества эпох обучения улучшает качество аппроксимации
|
||||||
|
- Для качественного обнаружения аномалий необходимо тщательно подбирать параметры модели
|
||||||
@ -0,0 +1,5 @@
|
|||||||
|
numpy>=1.21.0
|
||||||
|
matplotlib>=3.5.0
|
||||||
|
scikit-learn>=1.0.0
|
||||||
|
tensorflow>=2.8.0
|
||||||
|
pandas>=1.3.0
|
||||||
Двоичный файл не отображается.
@ -1 +0,0 @@
|
|||||||
Subproject commit 3f51d49924a6a14ad44f2a5e70c707fb576ac786
|
|
||||||
Загрузка…
Ссылка в новой задаче