Изменил(а) на 'labworks/LW4/report.md'

labworks/LW4/report.md

@@ -199,7 +199,7 @@ print("Метка класса:", label, "| Класс:", class_name)
 
 **Вывод:**
 ```
-После предобработки все отзывы получили одинаковую длину (max_words). Короткие были дополнены <PAD> (индекс 0) в начале, длинные — обрезаны с конца до длины 500. Смысловая часть отзыва сдвинулась вправо, в начале теперь идут нули/<PAD>.
+После предобработки длина всех отзывов была приведена к 500 словам. Рассматриваемый отзыв был дополнен нулями (<PAD>) в начале, так как его исходная длина была меньше выбранного максимума. Обрезания текста не произошло. Функция pad_sequences выровняла все отзывы к единой длине.
 ```
 
 ### Пункт №8. Вывод предобработанных массивов обучающих и тестовых данных.
@@ -320,7 +320,7 @@ print(f"Test accuracy: {test_accuracy:.4f}")
 Test accuracy: 0.8607
 ```
 
-### Пункт №10.2 Оценка качества обучения на тестовых данных.
+### Пункт №10.2
 
 ```python
 y_score = model.predict(X_test)
@@ -339,7 +339,7 @@ print(classification_report(y_test, y_pred, labels = [0, 1], target_names=['Nega
 weighted avg       0.86      0.86      0.86     25000
 ```
 
-### Пункт №10.3 Оценка качества обучения на тестовых данных.
+### Пункт №10.3
 
 ```python
 from sklearn.metrics import roc_curve, auc
@@ -362,5 +362,12 @@ Area under ROC is 0.9304564479999999
 
 **Выводы по лабораторной работе:**
 ```
-
+Проведённый эксперимент показал, что обученная LSTM-модель эффективно
+справляется с задачей определения тональности текстов. На тестовой
+выборке модель продемонстрировала высокое значение accuracy, а метрики
+precision, recall и f1-score подтвердили хорошее качество классификации
+для обоих классов. ROC-кривая располагается существенно выше диагонали
+случайного классификатора, а AUC ROC близко к 1, что свидетельствует
+о высокой степени разделимости классов. Таким образом, модель обладает
+хорошей обобщающей способностью и подходит для анализа тональности отзывов.
 ```