Родитель
9f1f1721dc
Сommit
31fddb9d60
@ -0,0 +1,577 @@
|
||||
# Лабораторная работа №2: Обнаружение аномалий с помощью автокодировщиков
|
||||
**Аникеев А.А; Чагин С.А. — А-02-22**
|
||||
## Вариант 2 (номер бригады k=5) - данные WBC
|
||||
|
||||
### Цель работы
|
||||
|
||||
Получить практические навыки создания, обучения и применения искусственных нейронных сетей типа автокодировщик.
|
||||
Исследовать влияние архитектуры автокодировщика и количества эпох обучения на области в пространстве признаков,
|
||||
распознаваемые автокодировщиком после обучения. Научиться оценивать качество обучения автокодировщика на основе
|
||||
ошибки реконструкции и новых метрик EDCA. Научиться решать актуальную задачу обнаружения аномалий в данных с
|
||||
помощью автокодировщика как одноклассового классификатора.
|
||||
|
||||
### Определение варианта
|
||||
|
||||
- Номер бригады: k = 5
|
||||
- N = k mod 3 = 5 mod 3 = 2
|
||||
- Вариант 2 => данные **WBC**
|
||||
|
||||
### Подготовка среды
|
||||
|
||||
```python
|
||||
import os
|
||||
os.chdir('/content/drive/MyDrive/Colab Notebooks')
|
||||
```
|
||||
|
||||
```python
|
||||
from google.colab import drive
|
||||
drive.mount('/content/drive')
|
||||
import os
|
||||
work_dir = '/content/drive/MyDrive/Colab Notebooks/is_lab2'
|
||||
os.makedirs(work_dir, exist_ok=True)
|
||||
os.chdir(work_dir)
|
||||
os.makedirs('out', exist_ok=True)
|
||||
dataset_name = 'WBC'
|
||||
base_url = "http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/"
|
||||
!wget -N {base_url}lab02_lib.py
|
||||
!wget -N {base_url}data/{dataset_name}_train.txt
|
||||
!wget -N {base_url}data/{dataset_name}_test.txt
|
||||
!cp {dataset_name}_train.txt train.txt
|
||||
!cp {dataset_name}_test.txt test.txt
|
||||
print("Файлы успешно скачаны!")
|
||||
print("Содержимое рабочей директории:")
|
||||
!ls -la
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## ЗАДАНИЕ 1
|
||||
|
||||
### Пункт №1. Импорт необходимых для работы библиотек и модулей.
|
||||
```python
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
from sklearn.preprocessing import StandardScaler
|
||||
from sklearn.datasets import make_blobs
|
||||
import tensorflow as tf
|
||||
from tensorflow.keras.models import Sequential
|
||||
from tensorflow.keras.layers import Dense, Activation
|
||||
from tensorflow.keras.optimizers import Adam
|
||||
from tensorflow.keras.callbacks import EarlyStopping
|
||||
import lab02_lib as lib
|
||||
|
||||
# Параметры для варианта 5
|
||||
k = 5 # номер бригады
|
||||
center_coords = (k, k) # координаты центра (5, 5)
|
||||
```
|
||||
|
||||
**Описание:** Импортируем необходимые библиотеки, модули, устанавливаются параметры для варианта 2.
|
||||
|
||||
### Пункт №2. Генерация индивидуального набора двумерных данных в пространстве признаков.
|
||||
```python
|
||||
|
||||
print("Генерация синтетических данных с центром в (5, 5)...")
|
||||
|
||||
data = lib.datagen(k, k, 1000, 2)
|
||||
|
||||
print(f"Сгенерировано {len(data)} точек")
|
||||
print(f"Центр данных: {center_coords}")
|
||||
print(f"Размерность данных: {data.shape}")
|
||||
```
|
||||
|
||||
**Результат выполнения:**
|
||||
```
|
||||
Сгенерировано 1000 точек
|
||||
Центр данных: (5, 5)
|
||||
Размерность данных: (1000, 2)
|
||||
```
|
||||
|
||||
|
||||
|
||||
### Пункт №3. Создание и обучение автокодировщика AE1 простой архитектуры.
|
||||
```python
|
||||
print("="*50)
|
||||
print("Обучение AE1")
|
||||
print("="*50)
|
||||
|
||||
def create_simple_ae():
|
||||
model = Sequential()
|
||||
|
||||
model.add(Dense(2, input_shape=(2,), activation='tanh'))
|
||||
|
||||
model.add(Dense(1, activation='tanh'))
|
||||
|
||||
model.add(Dense(2, activation='linear'))
|
||||
return model
|
||||
|
||||
ae1 = create_simple_ae()
|
||||
ae1.compile(optimizer=Adam(learning_rate=0.001), loss='mse')
|
||||
|
||||
print("Архитектура AE1:")
|
||||
ae1.summary()
|
||||
|
||||
print("\nНачало обучения AE1...")
|
||||
history_ae1 = ae1.fit(data, data,
|
||||
epochs=1000,
|
||||
batch_size=32,
|
||||
validation_split=0.2,
|
||||
verbose=1,
|
||||
callbacks=[EarlyStopping(patience=300, restore_best_weights=True)])
|
||||
|
||||
ae1.save('out/AE1.h5')
|
||||
|
||||
X_pred_ae1 = ae1.predict(data)
|
||||
reconstruction_errors_ae1 = np.mean(np.square(data - X_pred_ae1), axis=1)
|
||||
threshold_ae1 = np.max(reconstruction_errors_ae1)
|
||||
|
||||
print("\nАнализ результатов AE1")
|
||||
mse_ae1 = history_ae1.history['loss'][-1]
|
||||
print(f"Финальная ошибка MSE AE1: {mse_ae1:.6f}")
|
||||
print(f"Порог ошибки реконструкции AE1: {threshold_ae1:.6f}")
|
||||
|
||||
plt.figure(figsize=(15, 4))
|
||||
|
||||
plt.subplot(1, 3, 1)
|
||||
plt.plot(history_ae1.history['loss'], label='Training Loss', color='blue')
|
||||
plt.plot(history_ae1.history['val_loss'], label='Validation Loss', color='red')
|
||||
plt.title('AE1: Ошибка обучения (MSE)')
|
||||
plt.xlabel('Эпоха')
|
||||
plt.ylabel('MSE')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.subplot(1, 3, 2)
|
||||
plt.plot(reconstruction_errors_ae1, 'b-', alpha=0.7, linewidth=0.8)
|
||||
plt.axhline(y=threshold_ae1, color='red', linestyle='--', linewidth=2,
|
||||
label=f'Порог: {threshold_ae1:.2f}')
|
||||
plt.title('AE1: Ошибки реконструкции')
|
||||
plt.xlabel('Номер точки')
|
||||
plt.ylabel('Ошибка реконструкции')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.subplot(1, 3, 3)
|
||||
plt.hist(reconstruction_errors_ae1, bins=20, alpha=0.7, color='blue', edgecolor='black')
|
||||
plt.axvline(threshold_ae1, color='red', linestyle='--', linewidth=2,
|
||||
label=f'Порог: {threshold_ae1:.2f}')
|
||||
plt.title('AE1: Распределение ошибок')
|
||||
plt.xlabel('Ошибка реконструкции')
|
||||
plt.ylabel('Частота')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.tight_layout()
|
||||
plt.savefig('out/ae1_detailed_results.png', dpi=300, bbox_inches='tight')
|
||||
plt.show()
|
||||
|
||||
with open('out/AE1_ire_th.txt', 'w') as f:
|
||||
f.write(str(threshold_ae1))
|
||||
|
||||
ae1_trained = ae1
|
||||
IRE1 = reconstruction_errors_ae1
|
||||
IREth1 = threshold_ae1
|
||||
|
||||
print(f"Обучение AE1 завершено!")
|
||||
print(f"Минимальная ошибка: {np.min(IRE1):.6f}")
|
||||
print(f"Максимальная ошибка: {np.max(IRE1):.6f}")
|
||||
print(f"Средняя ошибка: {np.mean(IRE1):.6f}")
|
||||
```
|
||||
|
||||
**Описание:** Создается автокодировщик AE1 с простой архитектурой, одним скрытым слоем с одним нейроном.
|
||||
|
||||
**Результаты обучения AE1:**
|
||||
|
||||
Финальная ошибка MSE AE1: 0.009326
|
||||
|
||||
Порог ошибки реконструкции AE1: 0.067896
|
||||
|
||||
Минимальная ошибка: 0.000035
|
||||
|
||||
Максимальная ошибка: 0.067896
|
||||
|
||||
|
||||
|
||||
### Пункт №4. Создание и обучение второго автокодировщика AE2 усложненной архитектуры.
|
||||
|
||||
```python
|
||||
print("="*50)
|
||||
print("Обучение AE2")
|
||||
print("="*50)
|
||||
|
||||
print("Используется архитектура по умолчанию: [2-3-2-1-2-3-2]")
|
||||
print("Количество скрытых слоев: 5")
|
||||
print("Нейроны в скрытых слоях: 3-2-1-2-3")
|
||||
|
||||
def create_ae2_default():
|
||||
model = Sequential()
|
||||
|
||||
model.add(Dense(2, input_shape=(2,), activation='tanh'))
|
||||
|
||||
model.add(Dense(3, activation='tanh'))
|
||||
model.add(Dense(2, activation='tanh'))
|
||||
model.add(Dense(1, activation='tanh'))
|
||||
model.add(Dense(2, activation='tanh'))
|
||||
model.add(Dense(3, activation='tanh'))
|
||||
|
||||
model.add(Dense(2, activation='linear'))
|
||||
|
||||
return model
|
||||
|
||||
ae2 = create_ae2_default()
|
||||
ae2.compile(optimizer=Adam(learning_rate=0.001), loss='mse')
|
||||
|
||||
print("\nАрхитектура AE2:")
|
||||
ae2.summary()
|
||||
|
||||
print(f"\nНачало обучения AE2 (patience=300)...")
|
||||
history_ae2 = ae2.fit(data, data,
|
||||
epochs=3000,
|
||||
batch_size=32,
|
||||
validation_split=0.2,
|
||||
verbose=1,
|
||||
callbacks=[EarlyStopping(patience=300, restore_best_weights=True)])
|
||||
|
||||
ae2.save('out/AE2.h5')
|
||||
|
||||
X_pred_ae2 = ae2.predict(data)
|
||||
reconstruction_errors_ae2 = np.mean(np.square(data - X_pred_ae2), axis=1)
|
||||
threshold_ae2 = np.max(reconstruction_errors_ae2)
|
||||
|
||||
print("\n" + "="*50)
|
||||
print("АНАЛИЗ РЕЗУЛЬТАТОВ AE2")
|
||||
print("="*50)
|
||||
mse_ae2 = history_ae2.history['loss'][-1]
|
||||
print(f"Финальная ошибка MSE AE2: {mse_ae2:.6f}")
|
||||
print(f"Порог ошибки реконструкции AE2: {threshold_ae2:.6f}")
|
||||
|
||||
print("\nПРОВЕРКА РЕКОМЕНДАЦИЙ:")
|
||||
if mse_ae2 >= 0.01:
|
||||
print("✓ MSE_stop для AE2 соответствует рекомендации (≥ 0.01)")
|
||||
else:
|
||||
print("✗ MSE_stop для AE2 слишком низкая, возможно переобучение")
|
||||
|
||||
plt.figure(figsize=(15, 4))
|
||||
|
||||
plt.subplot(1, 3, 1)
|
||||
plt.plot(history_ae2.history['loss'], label='Training Loss', color='green', linewidth=2)
|
||||
plt.plot(history_ae2.history['val_loss'], label='Validation Loss', color='red', linewidth=2)
|
||||
plt.title('AE2: Динамика обучения (MSE)', fontsize=12, fontweight='bold')
|
||||
plt.xlabel('Эпоха')
|
||||
plt.ylabel('MSE')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.subplot(1, 3, 2)
|
||||
plt.plot(reconstruction_errors_ae2, 'g-', alpha=0.7, linewidth=0.8)
|
||||
plt.axhline(y=threshold_ae2, color='red', linestyle='--', linewidth=2,
|
||||
label=f'Порог: {threshold_ae2:.4f}')
|
||||
plt.title('AE2: Ошибки реконструкции по точкам', fontsize=12, fontweight='bold')
|
||||
plt.xlabel('Номер точки')
|
||||
plt.ylabel('Ошибка реконструкции')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.subplot(1, 3, 3)
|
||||
plt.hist(reconstruction_errors_ae2, bins=20, alpha=0.7, color='green', edgecolor='black')
|
||||
plt.axvline(threshold_ae2, color='red', linestyle='--', linewidth=2,
|
||||
label=f'Порог: {threshold_ae2:.4f}')
|
||||
plt.title('AE2: Распределение ошибок', fontsize=12, fontweight='bold')
|
||||
plt.xlabel('Ошибка реконструкции')
|
||||
plt.ylabel('Частота')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.tight_layout()
|
||||
plt.savefig('out/ae2_detailed_results.png', dpi=300, bbox_inches='tight')
|
||||
plt.show()
|
||||
|
||||
with open('out/AE2_ire_th.txt', 'w') as f:
|
||||
f.write(str(threshold_ae2))
|
||||
|
||||
ae2_trained = ae2
|
||||
IRE2 = reconstruction_errors_ae2
|
||||
IREth2 = threshold_ae2
|
||||
|
||||
print("\nДЕТАЛЬНАЯ СТАТИСТИКА AE2:")
|
||||
print(f"Минимальная ошибка: {np.min(IRE2):.6f}")
|
||||
print(f"Максимальная ошибка: {np.max(IRE2):.6f}")
|
||||
print(f"Средняя ошибка: {np.mean(IRE2):.6f}")
|
||||
print(f"Медианная ошибка: {np.median(IRE2):.6f}")
|
||||
print(f"Стандартное отклонение: {np.std(IRE2):.6f}")
|
||||
print(f"Количество точек с ошибкой выше порога: {np.sum(IRE2 > IREth2)}")
|
||||
print(f"Процент точек выше порога: {np.sum(IRE2 > IREth2) / len(IRE2) * 100:.2f}%")
|
||||
|
||||
print(f"\nОбучение AE2 завершено!")
|
||||
print(f"Архитектура: [2-3-2-1-2-3-2]")
|
||||
print(f"Количество скрытых слоев: 5")
|
||||
print(f"Нейроны в скрытых слоях: 3-2-1-2-3")
|
||||
```
|
||||
|
||||
**Описание:** Создается автокодировщик AE2 с усложненной архитектурой, 5 скрытых слоев с нейронами: 3, 2, 1, 2, 3.
|
||||
|
||||
**Результаты обучения AE2:**
|
||||
|
||||
Финальная ошибка MSE AE2: 0.004915
|
||||
|
||||
Порог ошибки реконструкции AE2: 0.044551
|
||||
|
||||
Минимальная ошибка: 0.000000
|
||||
|
||||
Максимальная ошибка: 0.044551
|
||||
|
||||
Средняя ошибка: 0.004790
|
||||
|
||||
Медианная ошибка: 0.002186
|
||||
|
||||
Стандартное отклонение: 0.006661
|
||||
|
||||
Количество точек с ошибкой выше порога: 0
|
||||
|
||||
Процент точек выше порога: 0.00%
|
||||
|
||||
|
||||
|
||||
|
||||
### Пункт №5. Характеристики качества обучения EDCA.
|
||||
```python
|
||||
print("="*70)
|
||||
print("РАСЧЕТ ХАРАКТЕРИСТИК КАЧЕСТВА ОБУЧЕНИЯ EDCA")
|
||||
print("="*70)
|
||||
|
||||
numb_square = 20
|
||||
|
||||
print("\n" + "="*30)
|
||||
print("РАСЧЕТ ДЛЯ AE1")
|
||||
print("="*30)
|
||||
xx, yy, Z1 = lib.square_calc(numb_square, data, ae1_trained, IREth1, '1', True)
|
||||
|
||||
print("\n" + "="*30)
|
||||
print("РАСЧЕТ ДЛЯ AE2")
|
||||
print("="*30)
|
||||
xx, yy, Z2 = lib.square_calc(numb_square, data, ae2_trained, IREth2, '2', True)
|
||||
|
||||
print("\n" + "="*50)
|
||||
print("СРАВНЕНИЕ ОБЛАСТЕЙ АППРОКСИМАЦИИ AE1 И AE2")
|
||||
print("="*50)
|
||||
lib.plot2in1(data, xx, yy, Z1, Z2)
|
||||
```
|
||||
|
||||
**Оценка качества AE1:**
|
||||
|
||||
IDEAL = 0. Excess: 0.0
|
||||
|
||||
IDEAL = 0. Deficit: 0.7777777777777778
|
||||
|
||||
IDEAL = 1. Coating: 0.2222222222222222
|
||||
|
||||
summa: 1.0
|
||||
|
||||
IDEAL = 1. Extrapolation precision (Approx): 4.5
|
||||
|
||||
**Оценка качества AE2:**
|
||||
|
||||
IDEAL = 0. Excess: 0.2222222222222222
|
||||
|
||||
IDEAL = 0. Deficit: 0.6111111111111112
|
||||
|
||||
IDEAL = 1. Coating: 0.3888888888888889
|
||||
|
||||
summa: 1.0
|
||||
|
||||
IDEAL = 1. Extrapolation precision (Approx): 1.6363636363636365
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
**ВЫВОД О ПРИГОДНОСТИ AE1 И AE2 ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛИЙ**
|
||||
|
||||
На основе анализа характеристик EDCA можно сделать следующие выводы:
|
||||
AE1 (простая архитектура [2-1-2]):
|
||||
|
||||
НЕ ПРИГОДЕН для качественного обнаружения аномалий по следующим причинам:
|
||||
|
||||
Deficit = 0.78 - критически высокое значение, что означает, что автокодировщик пропускает 78% обучающих данных и не распознает их как нормальные
|
||||
|
||||
Coating = 0.22 - чрезвычайно низкое значение, автокодировщик охватывает только 22% области обучающих данных
|
||||
|
||||
Approx = 4.5 - значительно превышает идеальное значение 1, что свидетельствует о очень плохой аппроксимации данных
|
||||
|
||||
Положительный аспект: Excess = 0.0 - автокодировщик не распознает лишние области, что является хорошим свойством, но недостаточным для компенсации других недостатков.
|
||||
AE2 (архитектура [2-3-2-1-2-3-2]):
|
||||
|
||||
ТРЕБУЕТ СУЩЕСТВЕННОГО УЛУЧШЕНИЯ и в текущем состоянии не пригоден для качественного обнаружения аномалий:
|
||||
|
||||
Excess = 0.22 - автокодировщик распознает 22% лишних областей, что может приводить к пропуску аномалий
|
||||
|
||||
Deficit = 0.61 - все еще высокое значение, 61% данных не распознается как нормальные
|
||||
|
||||
Coating = 0.39 - низкое покрытие, только 39% обучающих данных охватывается областью распознавания
|
||||
|
||||
Approx = 1.64 - лучше чем у AE1, но все еще далеко от идеального значения 1
|
||||
|
||||
ОБЩИЙ ВЫВОД:
|
||||
|
||||
Оба автокодировщика демонстрируют недостаточное качество аппроксимации обучающих данных. AE1 слишком прост и не способен adequately выучить распределение данных, в то время как AE2, хотя и показывает улучшение, все еще требует значительной доработки архитектуры и параметров обучения для достижения приемлемого качества обнаружения аномалий.
|
||||
|
||||
Рекомендация: Необходимо создать улучшенный автокодировщик AE3 с более сложной архитектурой, увеличить количество эпох обучения и оптимизировать гиперпараметры для достижения значений EDCA, близких к идеальным (Excess ≈ 0, Deficit ≈ 0, Coating ≈ 1, Approx ≈ 1).
|
||||
|
||||
### Пункт №6. Улучшение автокодировщика АЕ2.
|
||||
|
||||
**Анализ проблем текущего AE2:**
|
||||
|
||||
• Excess = 0.22 - слишком много лишних областей
|
||||
|
||||
• Deficit = 0.61 - пропускает много нормальных данных
|
||||
|
||||
• Coating = 0.39 - плохое покрытие обучающих данных
|
||||
|
||||
• Approx = 1.64 - требует улучшения аппроксимации
|
||||
|
||||
**Стратегия улучшения AE2:**
|
||||
|
||||
• Увеличение количества эпох обучения с 3000 до 5000
|
||||
|
||||
• Увеличение patience с 300 до 400
|
||||
|
||||
• Уменьшение learning rate с 0.001 до 0.0005
|
||||
|
||||
• Уменьшение batch size с 32 до 16
|
||||
|
||||
```python
|
||||
print("="*70)
|
||||
print("УЛУЧШЕНИЕ АВТОКОДИРОВЩИКА AE2 - ПОВТОРНОЕ ОБУЧЕНИЕ")
|
||||
print("="*70)
|
||||
|
||||
def create_ae2_improved():
|
||||
model = Sequential()
|
||||
|
||||
model.add(Dense(2, input_shape=(2,), activation='tanh'))
|
||||
|
||||
model.add(Dense(3, activation='tanh'))
|
||||
model.add(Dense(2, activation='tanh'))
|
||||
model.add(Dense(1, activation='tanh'))
|
||||
model.add(Dense(2, activation='tanh'))
|
||||
model.add(Dense(3, activation='tanh'))
|
||||
|
||||
model.add(Dense(2, activation='linear'))
|
||||
|
||||
return model
|
||||
|
||||
ae2_improved = create_ae2_improved()
|
||||
ae2_improved.compile(optimizer=Adam(learning_rate=0.0005), loss='mse')
|
||||
|
||||
print("\nАрхитектура AE2 (улучшенный): [2-3-2-1-2-3-2]")
|
||||
print("Количество скрытых слоев: 5")
|
||||
ae2_improved.summary()
|
||||
|
||||
print(f"\nНачало обучения улучшенного AE2 (5000 эпох, patience=400)...")
|
||||
history_ae2_improved = ae2_improved.fit(data, data,
|
||||
epochs=5000,
|
||||
batch_size=16,
|
||||
validation_split=0.2,
|
||||
verbose=1,
|
||||
callbacks=[EarlyStopping(patience=400, restore_best_weights=True)])
|
||||
|
||||
ae2_improved.save('out/AE2_improved.h5')
|
||||
|
||||
X_pred_ae2_improved = ae2_improved.predict(data)
|
||||
reconstruction_errors_ae2_improved = np.mean(np.square(data - X_pred_ae2_improved), axis=1)
|
||||
threshold_ae2_improved = np.max(reconstruction_errors_ae2_improved)
|
||||
|
||||
print("\n" + "="*50)
|
||||
print("АНАЛИЗ РЕЗУЛЬТАТОВ УЛУЧШЕННОГО AE2")
|
||||
print("="*50)
|
||||
mse_ae2_improved = history_ae2_improved.history['loss'][-1]
|
||||
print(f"Финальная ошибка MSE улучшенного AE2: {mse_ae2_improved:.6f}")
|
||||
print(f"Порог ошибки реконструкции улучшенного AE2: {threshold_ae2_improved:.6f}")
|
||||
|
||||
plt.figure(figsize=(15, 4))
|
||||
|
||||
plt.subplot(1, 3, 1)
|
||||
plt.plot(history_ae2_improved.history['loss'], label='Training Loss', color='green', linewidth=2)
|
||||
plt.plot(history_ae2_improved.history['val_loss'], label='Validation Loss', color='red', linewidth=2)
|
||||
plt.title('AE2 (улучшенный): Динамика обучения', fontsize=12, fontweight='bold')
|
||||
plt.xlabel('Эпоха')
|
||||
plt.ylabel('MSE')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.subplot(1, 3, 2)
|
||||
plt.plot(reconstruction_errors_ae2_improved, 'green', alpha=0.7, linewidth=0.8)
|
||||
plt.axhline(y=threshold_ae2_improved, color='red', linestyle='--', linewidth=2,
|
||||
label=f'Порог: {threshold_ae2_improved:.4f}')
|
||||
plt.title('AE2 (улучшенный): Ошибки реконструкции', fontsize=12, fontweight='bold')
|
||||
plt.xlabel('Номер точки')
|
||||
plt.ylabel('Ошибка реконструкции')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.subplot(1, 3, 3)
|
||||
plt.hist(reconstruction_errors_ae2_improved, bins=20, alpha=0.7, color='green', edgecolor='black')
|
||||
plt.axvline(threshold_ae2_improved, color='red', linestyle='--', linewidth=2,
|
||||
label=f'Порог: {threshold_ae2_improved:.4f}')
|
||||
plt.title('AE2 (улучшенный): Распределение ошибок', fontsize=12, fontweight='bold')
|
||||
plt.xlabel('Ошибка реконструкции')
|
||||
plt.ylabel('Частота')
|
||||
plt.legend()
|
||||
plt.grid(True, alpha=0.3)
|
||||
|
||||
plt.tight_layout()
|
||||
plt.savefig('out/ae2_improved_results.png', dpi=300, bbox_inches='tight')
|
||||
plt.show()
|
||||
|
||||
ae2_trained = ae2_improved
|
||||
IRE2 = reconstruction_errors_ae2_improved
|
||||
IREth2 = threshold_ae2_improved
|
||||
|
||||
print(f"\nОбучение улучшенного AE2 завершено!")
|
||||
print(f"Количество фактических эпох: {len(history_ae2_improved.history['loss'])}")
|
||||
```
|
||||
|
||||
**Описание:** Создается улучшенный автокодировщик AE2.
|
||||
|
||||
**АНАЛИЗ РЕЗУЛЬТАТОВ УЛУЧШЕННОГО AE2:**
|
||||
|
||||
Финальная ошибка MSE улучшенного AE2: 0.005074
|
||||
|
||||
Порог ошибки реконструкции улучшенного AE2: 0.060338
|
||||
|
||||
Количество фактических эпох: 5000
|
||||
|
||||
|
||||
|
||||
### Пункт №7. Подобрали подходящие параметры автокодировщика.
|
||||
|
||||
**Оценка качества AE2**
|
||||
|
||||
IDEAL = 0. Excess: 0.4111111111111112
|
||||
|
||||
IDEAL = 0. Deficit: 0.5
|
||||
|
||||
IDEAL = 1. Coating: 0.5
|
||||
|
||||
summa: 1.0
|
||||
|
||||
IDEAL = 1. Extrapolation precision (Approx): 0.9
|
||||
|
||||
AE2 (улучшенная архитектура [2-3-2-1-2-3-2]):
|
||||
|
||||
Excess = 0.41 - УХУДШЕНИЕ: распознает 41% лишних областей, но это не так много
|
||||
|
||||
Deficit = 0.50 - УЛУЧШЕНИЕ: пропускает 50% данных (было 41%)
|
||||
|
||||
Coating = 0.50 - УЛУЧШЕНИЕ: охватывает 50% данных (было 39%)
|
||||
|
||||
Approx = 0.90 - ЗНАЧИТЕЛЬНОЕ УЛУЧШЕНИЕ: близко к идеалу 1.0
|
||||
|
||||
**Описание:** AE2 после улучшения стал значительно лучше по основным метрикам аппроксимации.
|
||||
|
||||
### Пункт №7. Создание тестовой выборки.
|
||||
|
||||
Загрузка…
Ссылка в новой задаче