{
  "cells": [
    {
      "cell_type": "markdown",
      "id": "1c1905f6-acba-4dba-aba9-4d2fe59298df",
      "metadata": {
        "id": "1c1905f6-acba-4dba-aba9-4d2fe59298df"
      },
      "source": [
        "## Задание 1"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "61f467d3-d1c1-481a-8560-f259a22e0824",
      "metadata": {
        "id": "61f467d3-d1c1-481a-8560-f259a22e0824"
      },
      "source": [
        "### 1) В среде Google Colab создали новый блокнот (notebook). Импортировали необходимые для работы библиотеки и модули."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "58e787ca-562f-458d-8c62-e86b6fb1580a",
      "metadata": {
        "id": "58e787ca-562f-458d-8c62-e86b6fb1580a"
      },
      "outputs": [],
      "source": [
        "# импорт модулей\n",
        "import os\n",
        "os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab2')\n",
        "\n",
        "import numpy as np\n",
        "import lab02_lib as lib"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "5bbb8290-8806-4184-b33b-f1b0680bf563",
      "metadata": {
        "id": "5bbb8290-8806-4184-b33b-f1b0680bf563"
      },
      "source": [
        "### 2) Сгенерировали индивидуальный набор двумерных данных в пространстве признаков с координатами центра (6, 6), где 6 – номер бригады. Вывели полученные данные на рисунок и в консоль."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "29603d03-8478-4341-b7ad-bb608ad88890",
      "metadata": {
        "id": "29603d03-8478-4341-b7ad-bb608ad88890"
      },
      "outputs": [],
      "source": [
        "# генерация датасета\n",
        "data = lib.datagen(6, 6, 1000, 2)\n",
        "\n",
        "# вывод данных и размерности\n",
        "print('Исходные данные:')\n",
        "print(data)\n",
        "print('Размерность данных:')\n",
        "print(data.shape)"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "00ba79e5-d8f9-4c40-a065-e8fd21a68e21",
      "metadata": {
        "id": "00ba79e5-d8f9-4c40-a065-e8fd21a68e21"
      },
      "source": [
        "### 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"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "bc736f50-204b-4b1d-8c1c-0dd34fb1f02b",
      "metadata": {
        "id": "bc736f50-204b-4b1d-8c1c-0dd34fb1f02b"
      },
      "outputs": [],
      "source": [
        "# обучение AE1\n",
        "patience = 300\n",
        "ae1_trained, IRE1, IREth1 = lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt',\n",
        "1000, True, patience)"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "ae9e6816-d300-455a-a4ee-77e4911e02f5",
      "metadata": {
        "id": "ae9e6816-d300-455a-a4ee-77e4911e02f5"
      },
      "source": [
        "### 4) Зафиксировали ошибку MSE, на которой обучение завершилось. Построили график ошибки реконструкции обучающей выборки. Зафиксировали порог ошибки реконструкции – порог обнаружения аномалий."
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "Ошибка MSE_AE1 = 19.5568"
      ],
      "metadata": {
        "id": "Np8zquNSgtO9"
      },
      "id": "Np8zquNSgtO9"
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "fb7eeae8-f478-4295-b6de-b5790b7861f2",
      "metadata": {
        "id": "fb7eeae8-f478-4295-b6de-b5790b7861f2"
      },
      "outputs": [],
      "source": [
        "# Построение графика ошибки реконструкции\n",
        "lib.ire_plot('training', IRE1, IREth1, 'AE1')"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "92fb420f-907e-4417-ab34-6d12308bed0b",
      "metadata": {
        "id": "92fb420f-907e-4417-ab34-6d12308bed0b"
      },
      "source": [
        "### 5) Создали и обучили второй автокодировщик AE2 с усложненной архитектурой, задав большее количество эпох обучения"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "bb9f83e2-fecf-4118-8376-a712726d12d5",
      "metadata": {
        "id": "bb9f83e2-fecf-4118-8376-a712726d12d5"
      },
      "outputs": [],
      "source": [
        "# обучение AE2\n",
        "ae2_trained, IRE2, IREth2 = lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire_th.txt',\n",
        "3000, True, patience)"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "03194c1b-c03e-42a5-93e5-f4d007ddb7c7",
      "metadata": {
        "id": "03194c1b-c03e-42a5-93e5-f4d007ddb7c7"
      },
      "source": [
        "### 6) Зафиксировали ошибку MSE, на которой обучение завершилось. Построили график ошибки реконструкции обучающей выборки. Зафиксировали второй порог ошибки реконструкции – порог обнаружения аномалий."
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "Ошибка MSE_AE2 = 0.0108"
      ],
      "metadata": {
        "id": "6TBPoMskhCQp"
      },
      "id": "6TBPoMskhCQp"
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "47cf147a-f97b-41d3-9d7c-b799da0115fe",
      "metadata": {
        "id": "47cf147a-f97b-41d3-9d7c-b799da0115fe"
      },
      "outputs": [],
      "source": [
        "# Построение графика ошибки реконструкции\n",
        "lib.ire_plot('training', IRE2, IREth2, 'AE2')"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "fd14d331-aad6-4b98-9926-5ab6a055beb0",
      "metadata": {
        "id": "fd14d331-aad6-4b98-9926-5ab6a055beb0"
      },
      "source": [
        "### 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.\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "58fd0b46-1064-4f2f-b04f-88307bf938d2",
      "metadata": {
        "id": "58fd0b46-1064-4f2f-b04f-88307bf938d2"
      },
      "outputs": [],
      "source": [
        "# построение областей покрытия и границ классов\n",
        "# расчет характеристик качества обучения\n",
        "numb_square = 20\n",
        "xx, yy, Z1 = lib.square_calc(numb_square, data, ae1_trained, IREth1, '1', True)"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "# построение областей покрытия и границ классов\n",
        "# расчет характеристик качества обучения\n",
        "numb_square = 20\n",
        "xx, yy, Z2 = lib.square_calc(numb_square, data, ae2_trained, IREth2, '2', True)"
      ],
      "metadata": {
        "id": "ZG72thVfYMOy"
      },
      "id": "ZG72thVfYMOy",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# сравнение характеристик качества обучения и областей аппроксимации\n",
        "lib.plot2in1(data, xx, yy, Z1, Z2)"
      ],
      "metadata": {
        "id": "RJWYYYHQbUIN"
      },
      "id": "RJWYYYHQbUIN",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "id": "d766b8f0-3ba7-4a73-94a0-7858eb2f5515",
      "metadata": {
        "id": "d766b8f0-3ba7-4a73-94a0-7858eb2f5515"
      },
      "source": [
        "### 8) Если автокодировщик AE2 недостаточно точно аппроксимирует область обучающих данных, то подобрать подходящие параметры автокодировщика и повторить шаги (6) – (8)."
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "Полученные показатели EDCA для автокодировщика AE2 нас устраивают."
      ],
      "metadata": {
        "id": "XbnbvTima5dv"
      },
      "id": "XbnbvTima5dv"
    },
    {
      "cell_type": "markdown",
      "id": "cfa38b82-4c8e-4437-9c25-581d7fea0f2c",
      "metadata": {
        "id": "cfa38b82-4c8e-4437-9c25-581d7fea0f2c"
      },
      "source": [
        "### 9) Изучили сохраненный набор данных и пространство признаков. Создали тестовую выборку, состоящую, как минимум, из 4ёх элементов, не входящих в обучающую выборку. Элементы должны быть такими, чтобы AE1 распознавал их как норму, а AE2 детектировал как аномалии."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "d618382f-f65a-4c17-b0d0-3d2d0c4bc50e",
      "metadata": {
        "id": "d618382f-f65a-4c17-b0d0-3d2d0c4bc50e"
      },
      "outputs": [],
      "source": [
        "# загрузка тестового набора\n",
        "data_test = np.loadtxt('data_test.txt', dtype=float)\n",
        "print(data_test)"
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 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."
      ],
      "metadata": {
        "id": "3Ce8wSVMdjBj"
      },
      "id": "3Ce8wSVMdjBj"
    },
    {
      "cell_type": "code",
      "source": [
        "# тестирование АE1\n",
        "predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1)"
      ],
      "metadata": {
        "id": "Hq8A0LyMcKXk"
      },
      "id": "Hq8A0LyMcKXk",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# тестирование АE1\n",
        "lib.anomaly_detection_ae(predicted_labels1, ire1, IREth1)\n",
        "lib.ire_plot('test', ire1, IREth1, 'AE1')"
      ],
      "metadata": {
        "id": "Z_v2X4HvcQD5"
      },
      "id": "Z_v2X4HvcQD5",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# тестирование АE2\n",
        "predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth2)"
      ],
      "metadata": {
        "id": "fT75bpEnc7a2"
      },
      "id": "fT75bpEnc7a2",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# тестирование АE2\n",
        "lib.anomaly_detection_ae(predicted_labels2, ire2, IREth2)\n",
        "lib.ire_plot('test', ire2, IREth2, 'AE2')"
      ],
      "metadata": {
        "id": "EpGtgYZVdAen"
      },
      "id": "EpGtgYZVdAen",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "id": "7acf3a7f-4dd8-44df-b201-509aa4caa7f0",
      "metadata": {
        "id": "7acf3a7f-4dd8-44df-b201-509aa4caa7f0"
      },
      "source": [
        "### 11) Визуализировали элементы обучающей и тестовой выборки в областях пространства признаков, распознаваемых автокодировщиками AE1 и AE2."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "id": "a2fbf3a9-5e11-49d0-a0db-f77f3edeb7b7",
      "metadata": {
        "id": "a2fbf3a9-5e11-49d0-a0db-f77f3edeb7b7"
      },
      "outputs": [],
      "source": [
        "# построение областей аппроксимации и точек тестового набора\n",
        "lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "bd63edf4-3452-41db-8080-d8a2ff4f09a4",
      "metadata": {
        "id": "bd63edf4-3452-41db-8080-d8a2ff4f09a4"
      },
      "source": [
        "### 12) Результаты исследования занесли в таблицу:\n",
        "Табл. 1 Результаты задания №1"
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "|      | Количество<br>скрытых слоев | Количество<br>нейронов в скрытых слоях | Количество<br>эпох обучения | Ошибка<br>MSE_stop | Порог ошибки<br>реконструкции | Значение показателя<br>Excess | Значение показателя<br>Approx | Количество обнаруженных<br>аномалий |\n",
        "|-----:|------------------------------|----------------------------------------|-----------------------------|--------------------|-------------------------------|-------------------------------|--------------------------------|-------------------------------------|\n",
        "| AE1  | 1                            | 1                            | 1000                        | 19.5568             | 6.53                         | 12.67                          | 0.073                           | 0                                   |\n",
        "| AE2  | 5                            | 3,2,1,2,3                                | 3000                          | 0.0108             | 0.4                         | 0.33                          | 0.750                           | 4                                   |\n"
      ],
      "metadata": {
        "id": "df2BIryKfkpk"
      },
      "id": "df2BIryKfkpk"
    },
    {
      "cell_type": "markdown",
      "id": "b8e54861-e2c2-4755-a2d8-5d4b6cace481",
      "metadata": {
        "id": "b8e54861-e2c2-4755-a2d8-5d4b6cace481"
      },
      "source": [
        "### 13) Сделали выводы о требованиях к:\n",
        "- данным для обучения,\n",
        "- архитектуре автокодировщика,\n",
        "- количеству эпох обучения,\n",
        "- ошибке MSE_stop, приемлемой для останова обучения,\n",
        "- ошибке реконструкции обучающей выборки (порогу обнаружения\n",
        "аномалий),\n",
        "- характеристикам качества обучения EDCA одноклассового\n",
        "классификатора\n",
        "\n",
        "для качественного обнаружения аномалий в данных."
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "1) Данные для обучения должны быть без аномалий, чтобы автокодировщик смог рассчитать верное пороговое значение\n",
        "2) Архитектура автокодировщика должна постепенно сужатся к бутылочному горлышку,а затем постепенно возвращатся к исходным выходным размерам, кол-во скрытых слоев 3-5\n",
        "3) В рамках данного набора данных оптимальное кол-во эпох 3000 с patience 300 эпох\n",
        "4) Оптимальная ошибка MSE-stop в районе 0.01, желательно не меньше для предотвращения переобучения\n",
        "5) Значение порога в районе 0.4\n",
        "6) Значение Excess не больше 0.5, значение Deficit равное 0, значение Coating равное 1, значение Approx не меньше 0.7"
      ],
      "metadata": {
        "id": "1s5_ye8vkleI"
      },
      "id": "1s5_ye8vkleI"
    },
    {
      "cell_type": "markdown",
      "source": [
        "## Задание 2"
      ],
      "metadata": {
        "id": "rqdVflKXo6Bo"
      },
      "id": "rqdVflKXo6Bo"
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 1) Изучить описание своего набора реальных данных, что он из себя представляет"
      ],
      "metadata": {
        "id": "rSvJtTReo928"
      },
      "id": "rSvJtTReo928"
    },
    {
      "cell_type": "markdown",
      "source": [
        "Бригада 6 => набор данных Cardio. Это реальный набор данных, который состоит из измерений частоты сердечных сокращений плода и\n",
        "сокращений матки на кардиотокограммах, классифицированных экспертами\n",
        "акушерами. Исходный набор данных предназначен для классификации. В нем\n",
        "представлено 3 класса: «норма», «подозрение» и «патология». Для обнаружения\n",
        "аномалий класс «норма» принимается за норму, класс «патология» принимается за\n",
        "аномалии, а класс «подозрение» был отброшен.\n",
        "\n",
        "| Количество<br>признаков | Количество<br>примеров | Количество<br>нормальных примеров | Количество<br>аномальных примеров |\n",
        "|-------------------------:|-----------------------:|----------------------------------:|-----------------------------------:|\n",
        "| 21                       | 1764                   | 1655                               | 109                                |\n"
      ],
      "metadata": {
        "id": "gf-0gJ7jqTdk"
      },
      "id": "gf-0gJ7jqTdk"
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 2) Загрузить многомерную обучающую выборку реальных данных Cardio.txt."
      ],
      "metadata": {
        "id": "N2Egw1pho-F_"
      },
      "id": "N2Egw1pho-F_"
    },
    {
      "cell_type": "code",
      "source": [
        "# загрузка обчуающей выборки\n",
        "train = np.loadtxt('data/cardio_train.txt', dtype=float)"
      ],
      "metadata": {
        "id": "G8QTxAFapASY"
      },
      "id": "G8QTxAFapASY",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 3) Вывести полученные данные и их размерность в консоли."
      ],
      "metadata": {
        "id": "zj2WXPNco-Tz"
      },
      "id": "zj2WXPNco-Tz"
    },
    {
      "cell_type": "code",
      "source": [
        "print('train:\\n', train)\n",
        "print('train.shape:', np.shape(train))"
      ],
      "metadata": {
        "id": "W6hTlfk6pAo9"
      },
      "id": "W6hTlfk6pAo9",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 4) Создать и обучить автокодировщик с подходящей для данных архитектурой. Выбрать необходимое количество эпох обучения."
      ],
      "metadata": {
        "id": "0T11A0x4o-gr"
      },
      "id": "0T11A0x4o-gr"
    },
    {
      "cell_type": "code",
      "source": [
        "# **kwargs\n",
        "# verbose_every_n_epochs - отображать прогресс каждые N эпох (по умолчанию - 1000)\n",
        "# early_stopping_delta - дельта для ранней остановки (по умолчанию - 0.01)\n",
        "# early_stopping_value = значение для ранней остановки (по умолчанию -  0.0001)\n",
        "\n",
        "from time import time\n",
        "\n",
        "patience = 4000\n",
        "start = time()\n",
        "ae3_v1_trained, IRE3_v1, IREth3_v1 = lib.create_fit_save_ae(train,'out/AE3_V1.h5','out/AE3_v1_ire_th.txt',\n",
        "100000, False, patience, early_stopping_delta = 0.001)\n",
        "print(\"Время на обучение: \", time() - start)"
      ],
      "metadata": {
        "id": "rPwtBtdRPztp"
      },
      "id": "rPwtBtdRPztp",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 5) Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции – порог обнаружения аномалий."
      ],
      "metadata": {
        "id": "8ALjaY8lo-sa"
      },
      "id": "8ALjaY8lo-sa"
    },
    {
      "cell_type": "markdown",
      "source": [
        "Скрытых слоев 7, нейроны: 46->26->14->10->14->26->48\n",
        "\n",
        "Ошибка MSE_AE3_v1 = 0.0126"
      ],
      "metadata": {
        "id": "b4sk_fhYY6Qb"
      },
      "id": "b4sk_fhYY6Qb"
    },
    {
      "cell_type": "code",
      "source": [
        "# Построение графика ошибки реконструкции\n",
        "lib.ire_plot('training', IRE3_v1, IREth3_v1, 'AE3_v1')"
      ],
      "metadata": {
        "id": "a4sR3SSDpBPU"
      },
      "id": "a4sR3SSDpBPU",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 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)."
      ],
      "metadata": {
        "id": "DGBM9xNFo-4k"
      },
      "id": "DGBM9xNFo-4k"
    },
    {
      "cell_type": "code",
      "source": [
        "# **kwargs\n",
        "# verbose_every_n_epochs - отображать прогресс каждые N эпох (по умолчанию - 1000)\n",
        "# early_stopping_delta - дельта для ранней остановки (по умолчанию - 0.01)\n",
        "# early_stopping_value = значение для ранней остановки (по умолчанию -  0.0001)\n",
        "\n",
        "from time import time\n",
        "\n",
        "patience = 4000\n",
        "start = time()\n",
        "ae3_v2_trained, IRE3_v2, IREth3_v2 = lib.create_fit_save_ae(train,'out/AE3_V2.h5','out/AE3_v2_ire_th.txt',\n",
        "100000, False, patience, early_stopping_delta = 0.001)\n",
        "print(\"Время на обучение: \", time() - start)"
      ],
      "metadata": {
        "id": "ZvM1VbKEgalO"
      },
      "id": "ZvM1VbKEgalO",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "Скрытых слоев 7, нейроны: 48->36->28->22->16->12->16->22->28->36->48\n",
        "\n",
        "Ошибка MSE_AE3_v1 = 0.0098"
      ],
      "metadata": {
        "id": "9BrPUb_8fX5R"
      },
      "id": "9BrPUb_8fX5R"
    },
    {
      "cell_type": "code",
      "source": [
        "# Построение графика ошибки реконструкции\n",
        "lib.ire_plot('training', IRE3_v2, IREth3_v2, 'AE3_v2')"
      ],
      "metadata": {
        "id": "kh1eMtvpf6F-"
      },
      "id": "kh1eMtvpf6F-",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 7) Изучить и загрузить тестовую выборку Cardio.txt."
      ],
      "metadata": {
        "id": "vJvW1mOtpgFO"
      },
      "id": "vJvW1mOtpgFO"
    },
    {
      "cell_type": "code",
      "source": [
        "#загрузка тестовой выборки\n",
        "test = np.loadtxt('data/cardio_test.txt', dtype=float)\n",
        "print('\\n test:\\n', test)\n",
        "print('test.shape:', np.shape(test))"
      ],
      "metadata": {
        "id": "GrXQ5YymtD2u"
      },
      "id": "GrXQ5YymtD2u",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 8) Подать тестовую выборку на вход обученного автокодировщика для обнаружения аномалий. Вывести график ошибки реконструкции элементов тестовой выборки относительно порога."
      ],
      "metadata": {
        "id": "6iqO4Yxbpgob"
      },
      "id": "6iqO4Yxbpgob"
    },
    {
      "cell_type": "code",
      "source": [
        "# тестирование АE3\n",
        "predicted_labels3_v1, ire3_v1 = lib.predict_ae(ae3_v1_trained, test, IREth3_v1)"
      ],
      "metadata": {
        "id": "Vxj1fTAikDuU"
      },
      "id": "Vxj1fTAikDuU",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# Построение графика ошибки реконструкции\n",
        "lib.ire_plot('test', ire3_v1, IREth3_v1, 'AE3_v1')"
      ],
      "metadata": {
        "id": "21DdnIKYtmtM"
      },
      "id": "21DdnIKYtmtM",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# тестирование АE3\n",
        "predicted_labels3_v2, ire3_v2 = lib.predict_ae(ae3_v2_trained, test, IREth3_v2)"
      ],
      "metadata": {
        "id": "Ql1JMAM6sf7Z"
      },
      "id": "Ql1JMAM6sf7Z",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# Построение графика ошибки реконструкции\n",
        "lib.ire_plot('test', ire3_v2, IREth3_v2, 'AE3_v2')"
      ],
      "metadata": {
        "id": "jczBRWjTt35R"
      },
      "id": "jczBRWjTt35R",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# тестирование АE2\n",
        "lib.anomaly_detection_ae(predicted_labels3_v1, IRE3_v1, IREth3_v1)"
      ],
      "metadata": {
        "id": "2kF1XknIpg48"
      },
      "id": "2kF1XknIpg48",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "Для AE3_v1 точность составляет 88%"
      ],
      "metadata": {
        "id": "LXHt7-gxuJIy"
      },
      "id": "LXHt7-gxuJIy"
    },
    {
      "cell_type": "code",
      "source": [
        "# тестирование АE2\n",
        "lib.anomaly_detection_ae(predicted_labels3_v2, IRE3_v2, IREth3_v2)"
      ],
      "metadata": {
        "id": "5ow1D88nsrir"
      },
      "id": "5ow1D88nsrir",
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "Для AE3_v2 точность составляет 92%"
      ],
      "metadata": {
        "id": "LDsC5WyeuRHS"
      },
      "id": "LDsC5WyeuRHS"
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 9) Если результаты обнаружения аномалий не удовлетворительные (обнаружено менее 70% аномалий), то подобрать подходящие параметры автокодировщика и повторить шаги (4) – (9)."
      ],
      "metadata": {
        "id": "fPPbYwnQpqS3"
      },
      "id": "fPPbYwnQpqS3"
    },
    {
      "cell_type": "markdown",
      "source": [
        "Результаты обнаружения аномалий удовлетворены."
      ],
      "metadata": {
        "id": "IVmw2aeduXml"
      },
      "id": "IVmw2aeduXml"
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 10) Параметры наилучшего автокодировщика и результаты обнаружения аномалий занести в таблицу:\n",
        "Табл. 2 Результаты задания №2"
      ],
      "metadata": {
        "id": "u3cAX_IgpvWU"
      },
      "id": "u3cAX_IgpvWU"
    },
    {
      "cell_type": "markdown",
      "source": [
        "| Dataset name | Количество<br>скрытых слоев | Количество<br>нейронов в скрытых слоях | Количество<br>эпох обучения | Ошибка<br>MSE_stop | Порог ошибки<br>реконструкции | % обнаруженных<br>аномалий |\n",
        "|:-------------|:-----------------------------|:----------------------------------------|:-----------------------------|:-------------------|:-------------------------------|:---------------------------|\n",
        "| Cardio       | 11                             | 48, 36, 28, 22, 16, 10, 16, 22, 28, 36, 48              | 100000                      | 0.0098              | 1.6                           | 92%                      |\n"
      ],
      "metadata": {
        "id": "tryfJdjTvgU8"
      },
      "id": "tryfJdjTvgU8"
    },
    {
      "cell_type": "markdown",
      "source": [
        "### 11) Сделать выводы о требованиях к:\n",
        "- данным для обучения,\n",
        "- архитектуре автокодировщика,  \n",
        "- количеству эпох обучения,\n",
        "- ошибке MSE_stop, приемлемой для останова обучения,\n",
        "- ошибке реконструкции обучающей выборки (порогу обнаружения\n",
        "аномалий)\n",
        "\n",
        "для качественного обнаружения аномалий в случае, когда размерность\n",
        "пространства признаков высока."
      ],
      "metadata": {
        "id": "eE7IYyGJp0Vv"
      },
      "id": "eE7IYyGJp0Vv"
    },
    {
      "cell_type": "markdown",
      "source": [
        "1) Данные для обучения должны быть без аномалий, чтобы автокодировщик смог рассчитать верное пороговое значение\n",
        "2) Архитектура автокодировщика должна постепенно сужатся к бутылочному горлышку,а затем постепенно возвращатся к исходным выходным размерам, кол-во скрытых слоев 7-11.\n",
        "3) В рамках данного набора данных оптимальное кол-во эпох 100000 с patience 4000 эпох\n",
        "4) Оптимальная ошибка MSE-stop в районе 0.001, желательно не меньше для предотвращения переобучения\n",
        "5) Значение порога не больше 1.6"
      ],
      "metadata": {
        "id": "67p7AeSWwVXE"
      },
      "id": "67p7AeSWwVXE"
    }
  ],
  "metadata": {
    "colab": {
      "provenance": []
    },
    "kernelspec": {
      "display_name": "Python 3",
      "name": "python3"
    },
    "language_info": {
      "codemirror_mode": {
        "name": "ipython",
        "version": 3
      },
      "file_extension": ".py",
      "mimetype": "text/x-python",
      "name": "python",
      "nbconvert_exporter": "python",
      "pygments_lexer": "ipython3",
      "version": "3.12.3"
    }
  },
  "nbformat": 4,
  "nbformat_minor": 5
}