From f9c8e38c8e41e102d58fc56fba609dfd6d1d9930 Mon Sep 17 00:00:00 2001 From: VatkovAS Date: Wed, 12 Nov 2025 19:07:00 +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/LW2/report.md'?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- labworks/LW2/report.md | 42 +++++++++++++++--------------------------- 1 file changed, 15 insertions(+), 27 deletions(-) diff --git a/labworks/LW2/report.md b/labworks/LW2/report.md index 42a4abe..6d6cea7 100644 --- a/labworks/LW2/report.md +++ b/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) ---