From 040030cd952dfed3efa8f7f0b54d3eb648c17fbc Mon Sep 17 00:00:00 2001 From: VatkovAS Date: Wed, 17 Dec 2025 21:54:35 +0000 Subject: [PATCH] =?UTF-8?q?=D0=98=D0=B7=D0=BC=D0=B5=D0=BD=D0=B8=D0=BB(?= =?UTF-8?q?=D0=B0)=20=D0=BD=D0=B0=20'labworks/LW4/report.md'?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- labworks/LW4/report.md | 9 +++------ 1 file changed, 3 insertions(+), 6 deletions(-) diff --git a/labworks/LW4/report.md b/labworks/LW4/report.md index 3682bfe..ea57542 100644 --- a/labworks/LW4/report.md +++ b/labworks/LW4/report.md @@ -7,8 +7,6 @@ --- -## ЗАДАНИЕ 1: - ### 1) В среде Google Colab создали новый блокнот (notebook). Импортировали необходимые для работы библиотеки модули. ```python # импорт модулей @@ -327,10 +325,9 @@ AUC ROC: 0.9159089215999999 ### 11) Сделали выводы по результатам применения рекуррентной нейронной сети для решения задачи определения тональности текста. Таблица 1: -| Модель | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки | -|-----------------|-------------------------------------|--------------------------|-----------------------------------------| -| Рекуррентная | 353089 | 3 | accuracy:0.85 ; loss:0.5214 ; | -| | | | AUC ROC:0.9159 | +| Модель | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки | +|---------------|-------------------------------------|--------------------------|-----------------------------------------| +| Рекуррентная | 353089 | 3 |accuracy:0.85;loss:0.5214;AUC ROC:0.9159 | ### По результатам таблицы можно сделать вывод, что рекуррентная НС хорошо справляется с задачей определения тональности текста. Показатель accuracy = 0.85 превышает требуемый порог 0.8. Значение AUC ROC = 0.9159 (> 0.9) говорит о высокой способности модели различать два класса (положительные и отрицательные отзывы)