fix: fix images LR2

labworks/LW2/report.md

@@ -28,7 +28,19 @@ print(data)
 print('Размерность данных:')
 print(data.shape)
 ```
-
+![Training set](images/picture1_1.png)
+```
+Исходные данные:
+[[5.8619435  5.99297106]
+ [6.12066008 5.98527609]
+ [5.98643623 5.9813867 ]
+ ...
+ [5.80640873 6.16429542]
+ [6.01437944 6.13645626]
+ [6.00333385 5.99329265]]
+Размерность данных:
+(1000, 2)
+```
 
 ### 3) Создали и обучили автокодировщик AE1 простой архитектуры, выбрав небольшое количество эпох обучения. Зафиксировали в таблице вида табл.1 количество скрытых слоёв и нейронов в них
 
@@ -47,6 +59,7 @@ ae1_trained, IRE1, IREth1 = lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ir
 # Построение графика ошибки реконструкции
 lib.ire_plot('training', IRE1, IREth1, 'AE1')
 ```
+![IRE for training set. AE1](images/picture1_2.png)
 
 ### 5) Создали и обучили второй автокодировщик AE2 с усложненной архитектурой, задав большее количество эпох обучения
 
@@ -64,6 +77,7 @@ ae2_trained, IRE2, IREth2 = lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ir
 # Построение графика ошибки реконструкции
 lib.ire_plot('training', IRE2, IREth2, 'AE2')
 ```
+![IRE for training set. AE1](images/picture1_3.png)
 
 ### 7) Рассчитали характеристики качества обучения EDCA для AE1 и AE2. Визуализировали и сравнили области пространства признаков, распознаваемые автокодировщиками AE1 и AE2. Сделали вывод о пригодности AE1 и AE2 для качественного обнаружения аномалий.
 
@@ -73,6 +87,23 @@ lib.ire_plot('training', IRE2, IREth2, 'AE2')
 numb_square = 20
 xx, yy, Z1 = lib.square_calc(numb_square, data, ae1_trained, IREth1, '1', True)
 ```
+![Autoencoder AE1. Training set. Class boundary](images/picture1_4.png)
+```
+amount:  21
+amount_ae:  287
+```
+![Площади множеств Xt и Xd AE1](images/picture1_5.png)
+![EDCA AE1](images/picture1_6.png)
+
+```
+Оценка качества AE1
+IDEAL = 0. Excess:  12.666666666666666
+IDEAL = 0. Deficit:  0.0
+IDEAL = 1. Coating:  1.0
+summa:  1.0
+IDEAL = 1. Extrapolation precision (Approx):  0.07317073170731707
+```
+
 
 ```python
 # построение областей покрытия и границ классов
@@ -80,11 +111,28 @@ xx, yy, Z1 = lib.square_calc(numb_square, data, ae1_trained, IREth1, '1', True)
 numb_square = 20
 xx, yy, Z2 = lib.square_calc(numb_square, data, ae2_trained, IREth2, '2', True)
 ```
+![Autoencoder AE2. Training set. Class boundary](images/picture1_7.png)
+```
+amount:  21
+amount_ae:  28
+```
+![Площади множеств Xt и Xd AE1](images/picture1_8.png)
+![EDCA AE1](images/picture1_9.png)
+
+```
+Оценка качества AE2
+IDEAL = 0. Excess:  0.3333333333333333
+IDEAL = 0. Deficit:  0.0
+IDEAL = 1. Coating:  1.0
+summa:  1.0
+IDEAL = 1. Extrapolation precision (Approx):  0.75
+```
 
 ```python
 # сравнение характеристик качества обучения и областей аппроксимации
 lib.plot2in1(data, xx, yy, Z1, Z2)
 ```
+![Сравнение обучения AE1 и AE2](images/picture1_10.png)
 
 ### 8) Если автокодировщик AE2 недостаточно точно аппроксимирует область обучающих данных, то подобрать подходящие параметры автокодировщика и повторить шаги (6) – (8).
 
@@ -97,6 +145,12 @@ lib.plot2in1(data, xx, yy, Z1, Z2)
 data_test = np.loadtxt('data_test.txt', dtype=float)
 print(data_test)
 ```
+```
+[[4.52855237 4.55922899]
+ [4.64838873 4.69473527]
+ [4.41414674 4.47819019]
+ [4.43922161 4.43454531]]
+```
 
 ### 10) Применили обученные автокодировщики AE1 и AE2 к тестовым данным и вывели значения ошибки реконструкции для каждого элемента тестовой выборки относительно порога на график и в консоль.
 
@@ -110,6 +164,10 @@ predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1)
 lib.anomaly_detection_ae(predicted_labels1, ire1, IREth1)
 lib.ire_plot('test', ire1, IREth1, 'AE1')
 ```
+```
+Аномалий не обнаружено
+```
+![IRE fir test set. AE1](images/picture1_11.png)
 
 ```python
 # тестирование АE2
@@ -121,6 +179,15 @@ predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth2)
 lib.anomaly_detection_ae(predicted_labels2, ire2, IREth2)
 lib.ire_plot('test', ire2, IREth2, 'AE2')
 ```
+```
+i         Labels    IRE       IREth     
+0         [1.]      [2.02]    0.4       
+1         [1.]      [1.84]    0.4       
+2         [1.]      [2.16]    0.4       
+3         [1.]      [2.17]    0.4       
+Обнаружено  4.0  аномалий
+```
+![IRE fir test set. AE2](images/picture1_12.png)
 
 ### 11) Визуализировали элементы обучающей и тестовой выборки в областях пространства признаков, распознаваемых автокодировщиками AE1 и AE2.
 
@@ -128,6 +195,7 @@ lib.ire_plot('test', ire2, IREth2, 'AE2')
 # построение областей аппроксимации и точек тестового набора
 lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
 ```
+![Сравнение теста AE1 и AE2](images/picture1_13.png)
 
 ### 12) Результаты исследования занесли в таблицу:
 Табл. 1 Результаты задания №1
@@ -184,7 +252,23 @@ train = np.loadtxt('data/cardio_train.txt', dtype=float)
 print('train:\n', train)
 print('train.shape:', np.shape(train))
 ```
-
+```
+train:
+ [[ 0.00491231  0.69319077 -0.20364049 ...  0.23149795 -0.28978574
+  -0.49329397]
+ [ 0.11072935 -0.07990259 -0.20364049 ...  0.09356344 -0.25638541
+  -0.49329397]
+ [ 0.21654639 -0.27244466 -0.20364049 ...  0.02459619 -0.25638541
+   1.1400175 ]
+ ...
+ [ 0.85144861 -0.91998844 -0.20364049 ...  0.57633422 -0.65718941
+   1.1400175 ]
+ [ 0.85144861 -0.91998844 -0.20364049 ...  0.57633422 -0.62378908
+  -0.49329397]
+ [ 1.0630827  -0.51148142 -0.16958144 ...  0.57633422 -0.65718941
+  -0.49329397]]
+train.shape: (1654, 21)
+```
 ### 4) Создать и обучить автокодировщик с подходящей для данных архитектурой. Выбрать необходимое количество эпох обучения.
 
 ```python
@@ -212,6 +296,7 @@ print("Время на обучение: ", time() - start)
 # Построение графика ошибки реконструкции
 lib.ire_plot('training', IRE3_v1, IREth3_v1, 'AE3_v1')
 ```
+![IRE for training set. AE3_v1](images/picture2_1.png)
 
 ### 6) Сделать вывод о пригодности обученного автокодировщика для качественного обнаружения аномалий. Если порог ошибки реконструкции слишком велик, то подобрать подходящие параметры автокодировщика и повторить шаги (4) – (6).
 
@@ -238,6 +323,7 @@ print("Время на обучение: ", time() - start)
 # Построение графика ошибки реконструкции
 lib.ire_plot('training', IRE3_v2, IREth3_v2, 'AE3_v2')
 ```
+![IRE for training set. AE3_v2](images/picture2_2.png)
 
 ### 7) Изучить и загрузить тестовую выборку Cardio.txt.
 
@@ -247,7 +333,23 @@ test = np.loadtxt('data/cardio_test.txt', dtype=float)
 print('\n test:\n', test)
 print('test.shape:', np.shape(test))
 ```
-
+```
+ test:
+ [[ 0.21654639 -0.65465178 -0.20364049 ... -2.0444214   4.987467
+  -0.49329397]
+ [ 0.21654639 -0.5653379  -0.20364049 ... -2.1133887   6.490482
+  -0.49329397]
+ [-0.3125388  -0.91998844  6.9653692  ... -1.1478471   3.9186563
+  -0.49329397]
+ ...
+ [-0.41835583 -0.91998844 -0.16463485 ... -1.4926834   0.24461959
+  -0.49329397]
+ [-0.41835583 -0.91998844 -0.15093411 ... -1.4237162   0.14441859
+  -0.49329397]
+ [-0.41835583 -0.91998844 -0.20364049 ... -1.2857816   3.5846529
+  -0.49329397]]
+test.shape: (109, 21)
+```
 ### 8) Подать тестовую выборку на вход обученного автокодировщика для обнаружения аномалий. Вывести график ошибки реконструкции элементов тестовой выборки относительно порога.
 
 ```python
@@ -259,6 +361,7 @@ predicted_labels3_v1, ire3_v1 = lib.predict_ae(ae3_v1_trained, test, IREth3_v1)
 # Построение графика ошибки реконструкции
 lib.ire_plot('test', ire3_v1, IREth3_v1, 'AE3_v1')
 ```
+![IRE for test set. AE3_v1](images/picture2_3.png)
 
 ```python
 # тестирование АE3
@@ -269,6 +372,7 @@ predicted_labels3_v2, ire3_v2 = lib.predict_ae(ae3_v2_trained, test, IREth3_v2)
 # Построение графика ошибки реконструкции
 lib.ire_plot('test', ire3_v2, IREth3_v2, 'AE3_v2')
 ```
+![IRE for test set. AE3_v2](images/picture2_4.png)
 
 ```python
 # тестирование АE2