r

labworks/LW2/report2.md

@@ -20,25 +20,31 @@ import lab02_lib as lib
 ```py
 data = lib.datagen(8, 8, 1000, 2)
 ```
+![alt text](1.2-1.png)
 
 **3)Создать и обучить автокодировщик AE1 простой архитектуры, выбрав небольшое количество эпох обучения.**
 ```py
 patience= 300
 ae1_trained, IRE1, IREth1= lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt', 1000, True, patience)
 ```
-
+![alt text](1.3-1.png)
 **4)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции –порог обнаружения аномалий.**
 ```py
 lib.ire_plot('training', IRE1, IREth1, 'AE1')
 ```
+![alt text](1.4.1-1.png) 
+![alt text](1.4.2-1.png)
 **5)Создать и обучить второй автокодировщик AE2 с усложненной архитектурой, задав большее количество эпох обучения.**
 ```py
 ae2_trained, IRE2, IREth2 = lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire_th.txt', 3000, True, patience)
 ```
+![alt text](1.5-1.png)
 **6)Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать второй порог ошибки реконструкции –порог обнаружения аномалий.**
 ```py
 lib.ire_plot('training', IRE2, IREth2, 'AE2')
 ```
+![alt text](1.6.1-1.png)
+![alt text](1.6.2-1.png)
 **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.**
 ```py
 numb_square= 20
@@ -63,18 +69,25 @@ IDEAL = 1. Extrapolation precision (Approx): 0.23170731707317074
 
 lib.plot2in1(data,xx,yy,Z1,Z2)
 ```
+![alt text](1.7.7-1.png) 
+![alt text](1.7.1-1.png) 
+![alt text](1.7.2-1.png) 
+![alt text](1.7.3-1.png) 
+![alt text](1.7.4-1.png) 
+![alt text](1.7.5-1.png) 
+![alt text](1.7.6-1.png)
 **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.**
 ```py
 data_test= np.loadtxt('data_test.txt', dtype=float)
 ```
-
+![alt text](1.9-1.png)
 **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.**
 ```py
 predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1)
 lib.anomaly_detection_ae(predicted_labels1, ire1, IREth1)
 lib.ire_plot('test', ire1, IREth1, 'AE1')
 ```
-
+![alt text](1.10-1.png)
 ```py
 predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth2)
 lib.anomaly_detection_ae(predicted_labels2, ire2, IREth2)
@@ -89,11 +102,13 @@ i         Labels    IRE       IREth
 4         [1.]      [4.99]    0.47      
 Обнаружено  5.0  аномалий
 ```
+![alt text](1.10.2-1.png)
 **11)Визуализировать элементы обучающей и тестовой выборки в областях пространства признаков, распознаваемых автокодировщиками AE1 и AE2.**
 
 ```py
 lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
 ```
+![alt text](1.11-1.png)
 **12)Результаты исследования занести в таблицу:**
 
 **Табл. 1 Результаты задания**