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

labworks/LW2/report.md

@@ -60,7 +60,7 @@ print(data.shape)
 (1000, 2)
 ```
 
-![Синтетические данные](out/train_set.png)
+![Синтетические данные](train_set.png)
 
 ### Создание и обучение автокодировщика AE1
 ```python
@@ -71,7 +71,7 @@ ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire
 lib.ire_plot('training', IRE1, IREth1, 'AE1')
 ```
 
-![Результаты AE1](out/IRE_trainingAE1.png)
+![Результаты AE1](IRE_trainingAE1.png)
 
 ### Создание и обучение автокодировщика AE2 
 ```python
@@ -80,7 +80,7 @@ ae2_trained, IRE2, IREth2= lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire
 lib.ire_plot('training', IRE2, IREth2, 'AE2')
 ```
 
-![Результаты AE2](out/IRE_trainingAE2.png)
+![Результаты AE2](IRE_trainingAE2.png)
 
 ### Расчет характеристик качества обучения автокодировщиков
 ```python
@@ -90,13 +90,13 @@ numb_square= 20
 xx,yy,Z1=lib.square_calc(numb_square,data,ae1_trained,IREth1,'1',True)
 ```
 **Результат выполнения:**
-![AE1 Граница класса](out/AE1_train_def.png)
+![AE1 Граница класса](AE1_train_def.png)
 ```
 amount:  19
 amount_ae:  284
 ```
 ![Площадь обучающего множества и площадь деформированного множества](out/AE1_obuch_raspozn_mnoz.png)
-![Избыток. Дефицит. Покрытие](out/AE1_oz_kachestva.png)
+![Избыток. Дефицит. Покрытие](AE1_oz_kachestva.png)
 ```
 Оценка качества AE1
 IDEAL = 0. Excess:  13.947368421052632
@@ -113,13 +113,13 @@ numb_square= 20
 xx,yy,Z2=lib.square_calc(numb_square,data,ae2_trained,IREth2,'2',True)
 ```
 **Результат выполнения:**
-![AE2 Граница класса](out/AE2_train_def.png)
+![AE2 Граница класса](AE2_train_def.png)
 ```
 amount:  19
 amount_ae:  40
 ```
 ![Площадь обучающего множества и площадь деформированного множества](out/AE2_obuch_raspozn_mnoz.png)
-![Избыток. Дефицит. Покрытие](out/AE2_oz_kachestva.png)
+![Избыток. Дефицит. Покрытие](AE2_oz_kachestva.png)
 ```
 Оценка качества AE2
 IDEAL = 0. Excess:  1.105263157894737
@@ -132,38 +132,26 @@ IDEAL = 1. Extrapolation precision (Approx):  0.475
 #сравнение характеристик качестваобучения и областей аппроксимации
 lib.plot2in1(data,xx,yy,Z1,Z2)
 ```
-![Сравнение AE1 и AE2](out/AE1_AE2_train_def.png)
+![Сравнение AE1 и AE2](AE1_AE2_train_def.png)
 
 ### Тестирование автокодировщиков
 ```python
 #загрузка тестового набора
 data_test= np.loadtxt('data_test.txt', dtype=float)
 
-#тестированиеАE1
+#тестирование АE1
 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)
+#тестирование АE2
+predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth1)
 
 #построение областей аппроксимации и точек тестового набора
 lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
-
-![Сравнение результатов классификации](out/AE1_AE2_train_def_anomalies.png)
 ```
 
+![Сравнение результатов классификации](AE1_AE2_train_def_anomalies.png)
+
+
 ---
 
 ## ЗАДАНИЕ 2: Работа с реальными данными WBC
@@ -230,7 +218,7 @@ i         Labels    IRE       IREth
 Обнаружено  16.0  аномалий
 ```
 
-![Результаты тестирования AE3](out/WBC_test_results.png)
+![Результаты тестирования AE3](WBC_test_results.png)
 
 ---