@ -711,86 +711,6 @@ AE2 обнаружил аномалий: 0.0 из 4
### Пункт №9. Применение автокодировщиков к тестовым данным.
```python
print("="*70)
print("ПРИМЕНЕНИЕ AE1 И AE2 К ТЕСТОВЫМ ДАННЫМ")
print("="*70)
data_test = np.loadtxt('data_test.txt', dtype=float)
print(f"Загружена тестовая выборка: {len(data_test)} точек")
print("\nТЕСТОВЫЕ ТОЧКИ:")
for i, point in enumerate(data_test):
print(f" Точка {i+1}: [{point[0]:.3f}, {point[1]:.3f}]")
print("\n" + "="*50)
print("ПРИМЕНЕНИЕ AE1 К ТЕСТОВЫМ ДАННЫМ")
print("="*50)
predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1)
print("РЕЗУЛЬТАТЫ AE1:")
print("Точка | Координаты | IRE | Порог | Статус")
print("-" * 55)
for i in range(len(data_test)):
ire_val = ire1[i][0] if len(ire1.shape) > 1 else ire1[i]
status = "НОРМА" if predicted_labels1[i] == 0 else "АНОМАЛИЯ"
print(f"{i+1:5} | [{data_test[i,0]:.3f}, {data_test[i,1]:.3f}] | {ire_val:.4f} | {IREth1:.4f} | {status}")
lib.ire_plot('test', ire1, IREth1, 'AE1')
print("\n" + "="*50)
print("ПРИМЕНЕНИЕ AE2 К ТЕСТОВЫМ ДАННЫМ")
print("="*50)
predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth2)
print("РЕЗУЛЬТАТЫ AE2:")
print("Точка | Координаты | IRE | Порог | Статус")
print("-" * 55)
for i in range(len(data_test)):
ire_val = ire2[i][0] if len(ire2.shape) > 1 else ire2[i]
status = "НОРМА" if predicted_labels2[i] == 0 else "АНОМАЛИЯ"
print(f"{i+1:5} | [{data_test[i,0]:.3f}, {data_test[i,1]:.3f}] | {ire_val:.4f} | {IREth2:.4f} | {status}")
lib.ire_plot('test', ire2, IREth2, 'AE2')
lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
```
**Результат выполнения:**
```
Загружена тестовая выборка: 4 точек
ТЕСТОВЫЕ ТОЧКИ:
Точка 1: [5.030, 5.002]
Точка 2: [5.002, 5.030]
Точка 3: [5.025, 5.008]
Точка 4: [5.018, 5.012]
РЕЗУЛЬТАТЫ AE1:
Точка | Координаты | IRE | Порог | Статус
-------------------------------------------------------
1 | [5.030, 5.002] | 0.0300 | 0.0679 | НОРМА
2 | [5.002, 5.030] | 0.0200 | 0.0679 | НОРМА
3 | [5.025, 5.008] | 0.0200 | 0.0679 | НОРМА
4 | [5.018, 5.012] | 0.0100 | 0.0679 | НОРМА
РЕЗУЛЬТАТЫ AE2:
Точка | Координаты | IRE | Порог | Статус
-------------------------------------------------------
1 | [5.030, 5.002] | 0.0200 | 0.0603 | НОРМА
2 | [5.002, 5.030] | 0.0200 | 0.0603 | НОРМА
3 | [5.025, 5.008] | 0.0100 | 0.0603 | НОРМА
4 | [5.018, 5.012] | 0.0100 | 0.0603 | НОРМА
```
### Пункт №10. Применение автокодировщиков к тестовым данным.
```python
print("="*70)
print("ВИЗУАЛИЗАЦИЯ ОБУЧАЮЩЕЙ И ТЕСТОВОЙ ВЫБОРКИ")
@ -899,14 +819,14 @@ print("- out/comparison_visualization.png")
### Пункт №11 . ТАБЛ. 1 РЕЗУЛЬТАТЫ ЗАДАНИЯ №1
### Пункт №10 . ТАБЛ. 1 РЕЗУЛЬТАТЫ ЗАДАНИЯ №1
| Модель | 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 |
|--------|--------------------------|-------------------------------------|--------------------------|-----------------|----------------------------|----------------------------|----------------------------|-----------------------------------|
| AE1 | 1 | [1] | ~700 | 0.009176 | 0.067896 | 0.0000 | 0.009176 | 0 |
| AE2 | 5 | [3, 2, 1, 2, 3] | ~4600 | 0.004918 | 0.060338 | 0.0000 | 0.004918 | 0 |
### Пункт №12 . Выводы.
### Пункт №11 . Выводы.
**Вывод:**
```
