Изменил(а) на 'labworks/LW4/readme.md'

labworks/LW4/readme.md

@@ -177,7 +177,7 @@ X train:
 Shape of X train: (25000, 500)
 Shape of X test: (25000, 500)
 ```
-###8) Реализовали модель рекуррентной нейронной сети, состоящей из слоев Embedding, LSTM, Dropout, Dense, и обучили ее на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывели информацию об архитектуре нейронной сети. Добились качества обучения по метрике accuracy не менее 0.8.
+### 8) Реализовали модель рекуррентной нейронной сети, состоящей из слоев Embedding, LSTM, Dropout, Dense, и обучили ее на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывели информацию об архитектуре нейронной сети. Добились качества обучения по метрике accuracy не менее 0.8.
 ```python
 embed_dim = 32
 lstm_units = 64
@@ -236,7 +236,7 @@ print(f"\nTest accuracy: {test_acc}")
 
 Test accuracy: 0.8605999946594238
 ```
-###9) Оценили качество обучения на тестовых данных:
+### 9) Оценили качество обучения на тестовых данных:
 ###вывели значение метрики качества классификации на тестовых данных
 ###вывели отчет о качестве классификации тестовой выборки
 ###построили ROC-кривую по результату обработки тестовой выборки и вычислили площадь под ROC-кривой (AUC ROC)
@@ -280,5 +280,5 @@ print('AUC ROC:', auc(fpr, tpr))
 ```
 AUC ROC: 0.936838928
 
-#11) Сделали выводы по результатам применения рекуррентной нейронной сети для решения задачи определения тональности текста.
+### 10) Сделали выводы по результатам применения рекуррентной нейронной сети для решения задачи определения тональности текста.
 По результатам применения рекуррентной нейронной сети, а также по данным таблицы 1 можно сделать вывод, что модель хорошо справилась с задачей определения тональности текста. Показатель accuracy = 0.860599 превышает требуемый порог 0.8. Значение AUC ROC = 0.936838928 (> 0.9) говорит о высокой способности модели различать два класса (положительные и отрицательные отзывы).