lec07, lab03

README.md

@@ -45,4 +45,15 @@
 * [Методические указания](labs/OATD_LR2_metod.ipynb)
 
 
+### Лабораторная работа №3
+
+| Группа  |    Дата    | 
+|:--------|:----------:| 
+| А-01-20 | 09.04.2024 | 
+| А-03-20 | 16.04.2024 | 
+
+* [Задание](labs/OATD_LR3.md) 
+* [Методические указания](labs/OATD_LR3_metod.ipynb)
+
+
 

labs/OATD_LR3.md

@@ -9,7 +9,7 @@
 
 1. Загрузить выборки по варианту из лабораторной работы №2. Стемминг проводить не нужно.
 2. Используя GridSearchCV произвести предварительную обработку данных и настройку методов классификации в соответствие с заданием, 
-вывести оптимальные значения параметров и результаты классификации модели (полнота, точность, f1-мера и аккуратности) с данными параметрами. 
+вывести оптимальные значения параметров и качество классификации модели (f1-мера) с данными параметрами. 
 3. Перевести выборку к векторному представлению word embedding согласно варианту.
 4. Провести обучение и настройку тех же алгоритмов классификации и с теми же параметрами, что и в п.2, но на векторизованной выборке
 5. По каждому пункту работы занести в отчет программный код и результат вывода.
@@ -22,10 +22,10 @@
 
 | Вариант | Метод    | Word embedding |
 | :---    | :---     | :---           | 
-| 1       | KNN, SVM | glove-wiki-gigaword-100 |
+| 1       | KNN, SVM | glove-wiki-gigaword-50 |
-| 2       | RF, MNB  | glove-wiki-gigaword-50
+| 2       | RF, MNB  | glove-wiki-gigaword-100
 | 3       | KNN, DT  | glove-wiki-gigaword-200 |
-| 4       | RF, KNN  | glove-wiki-gigaword-25 |
+| 4       | RF, KNN  | glove-wiki-gigaword-300 |
 | 5       | LR, MNB  | word2vec-google-news-300 |
 | 6       | DT, LR   | glove-wiki-gigaword-200 |
 | 7       | RF, SVM  | glove-twitter-100 |
@@ -61,11 +61,12 @@
 * метод нахождения экстремума (параметр solver: ‘newton-cg’, ‘lbfgs’, ‘sag’, ‘liblinear’), 
 * регуляризация (параметр penalty: ‘L1’, ‘L2’)
 Обратить внимание, что разные виды регуляризации работают с разными методами нахождения экстремума. 
+Предлагается сначала настроить модель для одного из типом регулязиации, затем для другого, и выбрать лучшую модель из двух.
 
 **Метод опорных векторов (SVM):**
 * функция потерь (параметр kernel: ‘linear’, ‘rbf’), 
-* регуляризация (параметр C: {0.1, 1, 5})
+* коэффициент регуляризации (параметр C: {0.1, 1, 5})
-Обратить внимание, что разные виды регуляризации работают с разными функциями потерь
+
 
 **Мультиномиальный Наивный Байесовский метод (MNB)**
 * параметр сглаживания α (параметр alpha: {0.1, 1, 2})

labs/OATD_LR3_metod.ipynb

@@ -99,7 +99,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Далее необходимо создать объект класса `GridSearchCV`, передав в него объект `pipeline` или классификатор, список параметров сетки, а также при необходимости, задав прочие параметры, такие так количество задействованых ядер процессора `n_jobs`, количество фолдов кросс-валидации `cv` и другие"
+    "Далее необходимо создать объект класса `GridSearchCV`, передав в него объект `pipeline` или классификатор, список параметров сетки, а также при необходимости, задав прочие параметры, такие так количество задействованых ядер процессора `n_jobs`, количество фолдов кросс-валидации `cv`, метрику, по которой будем судить о качестве модели `scoring`, и другие"
    ]
   },
   {
@@ -108,7 +108,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "gs_clf = GridSearchCV(text_clf, parameters, n_jobs=-1, cv=3)"
+    "gs_clf = GridSearchCV(text_clf, parameters, n_jobs=-1, cv=3, scoring = 'f1_weighted')"
    ]
   },
   {