diff --git a/ЛР2.md b/ЛР2.md deleted file mode 100644 index 89571dd..0000000 --- a/ЛР2.md +++ /dev/null @@ -1,131 +0,0 @@ -**ЛАБОРАТОРНАЯ РАБОТА №2**«Обнаружение аномалий»** -А-02-22 бригада №8 Левшенко Д.И., Новиков Д. М., Шестов Д.Н - -Задание1: - -**1)В среде GoogleColabсоздать новый блокнот(notebook).Импортировать необходимые для работы библиотеки и модули.** ->import os - ->os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab2') - -># скачивание библиотеки ->!wget -N http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/lab02_lib.py - -># скачивание выборок ->!wget -N http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/data/name_train.txt ->!wget -N http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/data/name_test.txt - -># импорт модулей ->import numpy as np ->import lab02_lib as lib - -**2)Сгенерировать индивидуальный набор двумерных данныхв пространстве признаковс координатами центра (k, k), где k–номер бригады.Вывести полученныеданные на рисуноки в консоль.** -data = lib.datagen(8, 8, 1000, 2) -![1.png](../Desktop/7%20%D1%81%D0%B5%D0%BC/PythonProject/.venv/1.png) -**3)Создать и обучить автокодировщик AE1 простой архитектуры, выбрав небольшое количество эпох обучения.** - -**4)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.** - -**5)Создать и обучить второй автокодировщик AE2 с усложненной архитектурой, задав большее количество эпох обучения.** - -**6)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать второй порог ошибки реконструкции –порог обнаружения аномалий.** - - - -**7)Рассчитать характеристики качества обучения EDCA для AE1 и AE2. Визуализировать и сравнить области пространства признаков, распознаваемые автокодировщиками AE1 и AE2. Сделать вывод о пригодности AE1 и AE2 для качественного обнаружения аномалий.** - -Оценка качества AE1 - -IDEAL = 0. Excess: 14.263157894736842 - -IDEAL = 0. Deficit: 0.0 - -IDEAL = 1. Coating: 1.0 - -summa: 1.0 - -IDEAL = 1. Extrapolation precision (Approx): 0.06551724137931035 - -Оценка качества AE2 - -IDEAL = 0. Excess: 3.3157894736842106 - -IDEAL = 0. Deficit: 0.0 - -IDEAL = 1. Coating: 1.0 - -summa: 1.0 - -IDEAL = 1. Extrapolation precision (Approx): 0.23170731707317074 - -**9)Изучить сохраненный набор данных и пространство признаков. Создать 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.** - -**10)Применить обученные автокодировщики AE1 и AE2 к тестовым данными вывести значения ошибки реконструкции для каждого элемента тестовой выборки относительно порога на график и в консоль.** - - - -**11)Визуализировать элементы обучающей и тестовой выборки в областях пространства признаков, распознаваемых автокодировщиками AE1 и AE2.** - -**12)Результаты исследования занести в таблицу:** - -**Табл. 1 Результаты задания** - -| | | | | | | | | | -| --- | --- | --- | --- | --- | --- | --- | --- | --- | -| | **Количество скрытых слоев** | **Количество нейронов в скрытых слоях** | **Количество эпох обучения** | **Ошибка MSE_stop** | **Порог ошибки реконструкции** | **Значение показателя Excess** | **Значение показателя Approx** | **Количество обнаруженных аномалий** | -| **АЕ1** | **1** | **1** | **1000** | **38.04** | **8.5** | **14.26** | **0.07** | **0** | -| **АЕ2** | **5** | **3 2 1 2 3** | **3000** | **0.07** | **0.47** | **3.32** | **0.23** | **5** | - -**13)Сделать выводы** - -Для нормального обнаружения аномалий: - -\-архитектура автокодировщика не должна быть простой, - -\-необходимо большое количество эпох обучения, - -\-ошибка MSE_stop должна быть достаточно мала(<<1), - -\-порог обнаружения аномалий не должен быть завышен по сравнению с - -большинством значений ошибки реконструкции обучающей выборки, - -\-характеристики качества обучения EDCA должны быть близки к идеальным значениям показателей Excess = 0, Deficit = 0, Coating = 1, Approx = 1. - -**Задание2** - -**1)Изучить описание своего набора реальных данных, что он из себя представляет;** - -Исходный набор данных Breast Cancer Wisconsin из репозитория машинного обучения UCI представляет собой набор данных для классификации, в котором записываются измерения для случаев рака молочной железы. Есть два класса, доброкачественные и злокачественные. Злокачественный класс этого набора данных уменьшен до 21 точки, которые считаются аномалиями, в то время как точки в доброкачественном классе считаются нормой. - -| | | | | -| --- | --- | --- | --- | -| Количество признаков | Количество примеров | Количесвто нормальных примеров | Количество аномальных примеров | -| 30 | 378 | 357 | 21 | - -**2)Загрузить многомерную обучающую выборку реальных данных WBC_train.txt.** - -**3)Вывести полученные данные и их размерность в консоли.** - -**4)Создать и обучить автокодировщик с подходящей для данных архитектурой.** **Выбрать необходимое количество эпох обучения.** - -**5)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.** - -**7)Изучить и загрузить тестовую выборку WBC_test.txt.** - -**8)Подать тестовую выборку на вход обученного автокодировщика для обнаружения аномалий. Вывести графикошибки реконструкции элементов тестовой выборки относительно порога.** - -**9)Если результаты обнаружения аномалий не удовлетворительные (обнаружено менее 70%аномалий), то подобрать подходящие параметры автокодировщика и повторить шаги (4) –(9).** - -**10)Параметры наилучшего автокодировщика и результаты обнаружения аномалий занести в таблицу:** - -| | | | | | | -| --- | --- | --- | --- | --- | --- | -| Количество скрытых слоев | Количестов нейронов | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | % обнаруженных аномалий | -| 11 | 31 25 21 17 13 7 13 17 21 25 31 | 7000 | 0.0006 | 0.33 | 70 | - -**11)Сделать выводы:** -•архитектура автокодировщика должна включать в себя много слоев, -•количество эпох обучения должно быть достаточно большим (порядка десятков тысяч), -•ошибка MSE_stop, приемлемая для останова обучения, должна иметь достаточно малое значение, -•порог обнаружения аномалий не должен быть завышен по сравнению с большинством значений ошибки реконструкции обучающей выборки. \ No newline at end of file