форкнуто от main/is_dnn
Родитель
22c36f0970
Сommit
258496da88
@ -0,0 +1,283 @@
|
||||
# Лабораторная работа №2: Обнаружение аномалий с помощью автокодировщиков
|
||||
**Ватьков А..С., Харисов С.Р. — А-01-22**
|
||||
## Вариант 2 (номер бригады k=2) - данные WBC
|
||||
|
||||
### 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 = 2
|
||||
- N = k mod 3 = 2 mod 3 = 2
|
||||
- Вариант 2 => данные **WBC**
|
||||
|
||||
---
|
||||
|
||||
## ЗАДАНИЕ 1: Работа с двумерными синтетическими данными
|
||||
|
||||
### Импорт библиотек и настройка окружения
|
||||
```python
|
||||
import os
|
||||
import numpy as np
|
||||
import lab02_lib as lib
|
||||
# скачивание библиотеки!
|
||||
!wget -N http://uit.mpei.ru/git/main/is_dnn/src/branch/main/labworks/LW2/lab02_lib.py
|
||||
# скачивание выборок!
|
||||
!wget -N http://uit.mpei.ru/git/main/is_dnn/src/branch/main/labworks/LW2/data/WBC_train.txt
|
||||
!wget -N http://uit.mpei.ru/git/main/is_dnn/src/branch/main/labworks/LW2/data/WBC_test.txt
|
||||
import numpy as np
|
||||
import lab02_lib as lib
|
||||
|
||||
# Параметры для варианта 2 (номер бригады k=2)
|
||||
k = 2 # номер бригады
|
||||
center_coords = (k, k) # координаты центра (2, 2)
|
||||
```
|
||||
|
||||
**Описание:** Импортируются необходимые библиотеки и устанавливаются параметры для варианта 2.
|
||||
|
||||
### Генерация индивидуального набора двумерных данных
|
||||
```python
|
||||
#генерация датасета
|
||||
data=lib.datagen(2,2,1000,2)
|
||||
|
||||
#вывод данных и размерности
|
||||
print('Исходные данные:')
|
||||
print(data)
|
||||
print('Размерность данных:')
|
||||
print(data.shape)
|
||||
```
|
||||
|
||||
**Результат выполнения:**
|
||||
```
|
||||
Исходные данные:
|
||||
[[2.08491429 2.01121585]
|
||||
[2.01546644 1.93123649]
|
||||
[1.93034485 1.96549809]
|
||||
...
|
||||
[2.02320357 2.16782607]
|
||||
[2.1109127 1.81313673]
|
||||
[2.13031577 2.22961484]]
|
||||
Размерность данных:
|
||||
(1000, 2)
|
||||
```
|
||||
|
||||
|
||||
|
||||
### Создание и обучение автокодировщика AE1
|
||||
```python
|
||||
patience= 300
|
||||
ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt', 300, True, patience)
|
||||
|
||||
#Построение графика ошибки реконструкции
|
||||
lib.ire_plot('training', IRE1, IREth1, 'AE1')
|
||||
```
|
||||
|
||||
|
||||
|
||||
### Создание и обучение автокодировщика AE2
|
||||
```python
|
||||
# обучение AE2
|
||||
ae2_trained, IRE2, IREth2= lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire_th.txt', 500, True, patience)
|
||||
lib.ire_plot('training', IRE2, IREth2, 'AE2')
|
||||
```
|
||||
|
||||
|
||||
|
||||
### Расчет характеристик качества обучения автокодировщиков
|
||||
```python
|
||||
#построение областей покрытия и границ классов
|
||||
#расчет характеристик качества обучения
|
||||
numb_square= 20
|
||||
xx,yy,Z1=lib.square_calc(numb_square,data,ae1_trained,IREth1,'1',True)
|
||||
```
|
||||
**Результат выполнения:**
|
||||
|
||||
```
|
||||
amount: 19
|
||||
amount_ae: 284
|
||||
```
|
||||
|
||||
|
||||
```
|
||||
Оценка качества AE1
|
||||
IDEAL = 0. Excess: 13.947368421052632
|
||||
IDEAL = 0. Deficit: 0.0
|
||||
IDEAL = 1. Coating: 1.0
|
||||
summa: 1.0
|
||||
IDEAL = 1. Extrapolation precision (Approx): 0.06690140845070422
|
||||
```
|
||||
|
||||
```python
|
||||
#построение областей покрытия и границ классов
|
||||
#расчет характеристик качества обучения
|
||||
numb_square= 20
|
||||
xx,yy,Z2=lib.square_calc(numb_square,data,ae2_trained,IREth2,'2',True)
|
||||
```
|
||||
**Результат выполнения:**
|
||||
|
||||
```
|
||||
amount: 19
|
||||
amount_ae: 40
|
||||
```
|
||||
|
||||
|
||||
```
|
||||
Оценка качества AE2
|
||||
IDEAL = 0. Excess: 1.105263157894737
|
||||
IDEAL = 0. Deficit: 0.0
|
||||
IDEAL = 1. Coating: 1.0
|
||||
summa: 1.0
|
||||
IDEAL = 1. Extrapolation precision (Approx): 0.475
|
||||
```
|
||||
```python
|
||||
#сравнение характеристик качестваобучения и областей аппроксимации
|
||||
lib.plot2in1(data,xx,yy,Z1,Z2)
|
||||
```
|
||||
|
||||
|
||||
### Тестирование автокодировщиков
|
||||
```python
|
||||
#загрузка тестового набора
|
||||
data_test= np.loadtxt('data_test.txt', dtype=float)
|
||||
|
||||
#тестированиеАE1
|
||||
predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1)
|
||||
|
||||
```
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
### 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)
|
||||
|
||||
#построение областей аппроксимации и точек тестового набора
|
||||
lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
|
||||
|
||||
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## ЗАДАНИЕ 2: Работа с реальными данными WBC
|
||||
|
||||
### Загрузка и изучение данных WBC
|
||||
```python
|
||||
# Загрузка выборок
|
||||
train = np.loadtxt('WBC_train.txt', dtype=float)
|
||||
test = np.loadtxt('WBC_test.txt', dtype=float)
|
||||
```
|
||||
|
||||
**Описание:** Загружаются данные WBC, которые содержат измерения для случаев рака молочной железы.
|
||||
|
||||
### Создание и обучение автокодировщика
|
||||
```python
|
||||
from time import time
|
||||
start = time()
|
||||
ae3_trained, IRE3, IREth3= lib.create_fit_save_ae(train,'out/AE3.h5','out/AE3_ire_th.txt', 50000, False, 5000, early_stopping_delta = 0.01)
|
||||
IREth3 = np.percentile(IRE3, 95)
|
||||
print("Время на обучение: ", time() - start)
|
||||
print("Порог IREth3:", IREth3)
|
||||
```
|
||||
|
||||
**Результаты обучения:**
|
||||
Время на обучение: 192.4243025779724
|
||||
Порог IREth3: 0.4819999999999999
|
||||
|
||||
```python
|
||||
predicted_labels3, ire3 = lib.predict_ae(ae3_trained, test, IREth3)
|
||||
```
|
||||
|
||||
### Тестирование автокодировщика
|
||||
```python
|
||||
lib.anomaly_detection_ae(predicted_labels3, ire3, IREth3)
|
||||
lib.ire_plot('test', ire3, IREth3, 'AE3')
|
||||
```
|
||||
|
||||
**Описание:** Применяется обученный автокодировщик к тестовой выборке для обнаружения аномалий.
|
||||
|
||||
**Результаты обнаружения аномалий:**
|
||||
```
|
||||
i Labels IRE IREth
|
||||
0 [1.] [0.56] 0.48
|
||||
1 [1.] [1.12] 0.48
|
||||
2 [0.] [0.48] 0.48
|
||||
3 [1.] [0.73] 0.48
|
||||
4 [1.] [0.9] 0.48
|
||||
5 [1.] [0.97] 0.48
|
||||
6 [1.] [0.6] 0.48
|
||||
7 [1.] [1.31] 0.48
|
||||
8 [0.] [0.34] 0.48
|
||||
9 [1.] [0.69] 0.48
|
||||
10 [1.] [0.73] 0.48
|
||||
11 [1.] [1.32] 0.48
|
||||
12 [0.] [0.36] 0.48
|
||||
13 [1.] [0.72] 0.48
|
||||
14 [0.] [0.41] 0.48
|
||||
15 [1.] [0.84] 0.48
|
||||
16 [1.] [0.76] 0.48
|
||||
17 [1.] [0.56] 0.48
|
||||
18 [1.] [1.71] 0.48
|
||||
19 [1.] [1.31] 0.48
|
||||
20 [0.] [0.42] 0.48
|
||||
Обнаружено 16.0 аномалий
|
||||
```
|
||||
|
||||
|
||||
|
||||
---
|
||||
|
||||
## 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 | 300 | 2.0432 | 2.3 | - | - | - |
|
||||
| AE2 | 5 | 3-2-1-2-3 | 500 | 0.0196 | 0.515 | - | - | - |
|
||||
|
||||
### 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 |
|
||||
|--------------|--------------------------|-------------------------------------|--------------------------|-----------------|----------------------------|-------------------------|
|
||||
| WBC | 9 | 28-24-20-16-12-16-20-24-28 | 50000 | 0.0003 | 0.482 | 76.2% |
|
||||
|
||||
*Значение взято
|
||||
---
|
||||
|
||||
## ВЫВОДЫ
|
||||
|
||||
### Требования к данным для обучения:
|
||||
- Данные должны быть нормализованными для сохранения стабильности обучения
|
||||
- В обучающей выборке не должно быть аномальных образцов
|
||||
- Размер выборки должен быть достаточным для обучения (минимум несколько сотен образцов)
|
||||
|
||||
### Требования к архитектуре автокодировщика:
|
||||
- **Простая архитектура (AE1)**: подходит для простых задач, быстро обучается, но может не улавливать сложные зависимости
|
||||
- **Сложная архитектура (AE2)**: лучше аппроксимирует данные, но требует больше времени на обучение
|
||||
|
||||
### Требования к количеству эпох обучения:
|
||||
- **AE1 (300 эпох)**: недостаточно для качественного обучения
|
||||
- **AE2 (500 эпох)**: обеспечивает хорошую сходимость
|
||||
- Для реальных данных (WBC) необходимо 50000 эпох
|
||||
|
||||
### Требования к ошибке MSE_stop:
|
||||
- **AE1**: 2.0432 - слишком высокая, указывает на недообучение
|
||||
- **AE2**: 0.0196 - приемлемая для синтетических данных
|
||||
- **WBC**: 0.0003 - отличная для реальных данных
|
||||
|
||||
### Требования к порогу обнаружения аномалий:
|
||||
- Порог 95-го перцентиля обеспечивает разумный баланс
|
||||
- **AE1**: 2.3 - слишком высокий, может пропускать аномалии
|
||||
- **AE2**: 0.515 - более чувствительный к аномалиям
|
||||
- **WBC**: 0.482 - 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
|
||||
Загрузка…
Ссылка в новой задаче