Изменил(а) на 'labworks/LW2/report.md'

labworks/LW2/report.md

@@ -21,9 +21,9 @@ data=lib.datagen(1,1,1000,2)
 ![отображение датасета](2.png)
 * Вывод данных и размерности
 ```python
-print('Исходныеданные:')
+print('Исходные данные:')
 print(data)
-print('Размерностьданных:')
+print('Размерность данных:')
 print(data.shape)
 ```
 > Исходные данные:
@@ -45,7 +45,7 @@ print(data.shape)
 > 
 > (1000, 2)
 
-## 3. Создание и обучение автокодировщик AE1
+## 3. Создание и обучение автокодировщика AE1
 ```python
 patience= 10
 ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt', 50, True, patience)
@@ -76,7 +76,7 @@ ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire
 
 
 
-## 4. Построение   график   ошибки   реконструкции обучающей   выборки. Вывод  порога  ошибки  реконструкции – порога  обнаружения аномалий.
+## 4. Построение   графика   ошибки   реконструкции обучающей   выборки. Вывод  порога  ошибки  реконструкции – порога  обнаружения аномалий.
 ```python
 patience= 10
 ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt', 50, True, patience)
@@ -87,7 +87,7 @@ print("Порог ошибки реконструкции = ",IREth1)
 ```
 > Порог ошибки реконструкции =  0.63
 
-## 5. Создание  и  обучиние  второй  автокодировщик AE2
+## 5. Создание  и  обучиние  второго  автокодировщика AE2
 ```python
 patience= 100
 ae2_trained, IRE2, IREth2= lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire_th.txt', 1000, True, patience)
@@ -114,7 +114,7 @@ lib.ire_plot('training', IRE2, IREth2, 'AE2')
 >
 > 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step - loss: 0.0103
 
-## 6. Построение   график   ошибки   реконструкции обучающей   выборки. Вывод  порога  ошибки  реконструкции – порога  обнаружения аномалий.
+## 6. Построение   графика   ошибки   реконструкции обучающей   выборки. Вывод  порога  ошибки  реконструкции – порога  обнаружения аномалий.
 ```python
 lib.ire_plot('training', IRE2, IREth2, 'AE2')
 ```
@@ -173,7 +173,7 @@ xx,yy,Z2=lib.square_calc(numb_square,data,ae2_trained,IREth2,'2',True)
 lib.plot2in1(data,xx,yy,Z1,Z2)
 ```
 ![](7_4.png)
-* Вывод: На основе проведенного сравнения можно заключить, что автокодировщик AE2 с пятислойной архитектурой является оптимальным решением, поскольку обеспечивает минимальную ошибку реконструкции по сравнению с более простой моделью AE1.
+* Вывод: На основе проведенного сравнения можно подытожить, что автокодировщик AE2 с пятислойной архитектурой является оптимальным решением, поскольку обеспечивает минимальную ошибку реконструкции по сравнению с более простой моделью AE1.
 ## 8. Создание тестовой выборки
 ```python
 test_data = np.array([[1.6, 1.2], [1.2, 1], [1.1, 1], [1.5,1.5], [1, 1], [1.5, 1.5]])
@@ -195,13 +195,13 @@ lib.ire_plot('training', IRE2, IREth2, 'AE2')
 ```
 * Аномалий не обнаружено
 ![График ошибки реконструкции](9_1.png)
-## 10. Визуализировать элементы обучающей и тестовой выборки в областях пространства признаков
+## 10. Визуализация элементов обучающей и тестовой выборки в областях пространства признаков
 * Построение областей аппроксимации и точек тестового набора
 ```python
 lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
 ```
 ![](10.png)
-## 11. Результаты исследования занести в таблицу
+## 11. Результаты исследования
 | Модель | Количество скрытых слоев | Количество нейронов в скрытых слоях | Количество эпох обучения | Ошибка MSE_stop | Порог ошибки реконструкции | Excess | Approx   | Аномалии |
 |--------|:------------------------:|:-----------------------------------:|:------------------------:|:---------------:|:--------------------------:|:------:|:--------:|:--------:|
 | AE1    | 3                        | 3 1 3                              | 50                    | 1.2019          | 0.63                       | 13.31   | 0.069 | 0        |
@@ -223,7 +223,7 @@ lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
 
 5.Метрики: Excess=0, Deficit=0, Coating=1, Approx=1"
 # Задание 2.
-## 1. Оописание своего набора реальных данных
+## 1. Описание набора реальных данных
 * Исходный набор данных Letter Recognition Data Set из  репозитория  машинного обучения UCI представляет собой набор данных для многоклассовой классификации. Набор предназначен для распознавания черно-белых пиксельных прямоугольников как одну из 26 заглавных букв английского алфавита, где буквы алфавита представлены в 16 измерениях. Чтобы получить данные, подходящие для обнаружения аномалий, была произведена подвыборка данных из 3 букв, чтобы сформировать нормальный класс, и случайным образом их пары были объединены так, чтобы их размерность удваивалась. Чтобы  сформировать  класс аномалий,  случайным  образом были  выбраны несколько экземпляров  букв,  которые  не  входят нормальный  класс,  и они  были  объединены  с экземплярами  из нормального класса.  Процесс  объединения  выполняется  для  того, чтобы  сделать  обнаружение  более  сложным,  поскольку  каждый аномальный  пример также будет иметь некоторые нормальные значения признаков.
 
   Количество признаков - 32
@@ -295,7 +295,7 @@ ae3_trained, IRE3, IREth3 = lib.create_fit_save_ae(train,'out/AE3.h5','out/AE3_i
 >
 >  - loss: 0.0864
 
-## 5. Построение   график   ошибки   реконструкции обучающей   выборки. Вывод  порога  ошибки  реконструкции – порога  обнаружения аномалий.
+## 5. Построение   графика   ошибки   реконструкции обучающей   выборки. Вывод  порога  ошибки  реконструкции – порога  обнаружения аномалий.
 ```python
 lib.ire_plot('training', IRE3, IREth3, 'AE3')
 ```
@@ -330,7 +330,7 @@ print(test.shape)
 >  Размерность данных:
 > 
 >  (100, 32)
-## 7. Вывести график ошибки реконструкции элементов тестовой выборки относительно порога
+## 7. Выввод графика ошибки реконструкции элементов тестовой выборки относительно порога
 ```python
 predicted_labels3, ire3 = lib.predict_ae(ae3_trained, test, IREth3)
 lib.anomaly_detection_ae(predicted_labels3, ire3, IREth3)