Добавил ноутбук с нейросетью

README.md

@@ -0,0 +1 @@
+# Проект

week4_scikit_learn.ipynb

@@ -0,0 +1,86 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": 4,
+   "id": "df20729e-7575-4880-a900-46b2b8bd82e8",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "              precision    recall  f1-score   support\n",
+      "\n",
+      "           0       1.00      1.00      1.00        10\n",
+      "           1       1.00      1.00      1.00         9\n",
+      "           2       1.00      1.00      1.00        11\n",
+      "\n",
+      "    accuracy                           1.00        30\n",
+      "   macro avg       1.00      1.00      1.00        30\n",
+      "weighted avg       1.00      1.00      1.00        30\n",
+      "\n"
+     ]
+    }
+   ],
+   "source": [
+    "# Импорт необходимых модулей\n",
+    "from sklearn.datasets import load_iris\n",
+    "from sklearn.model_selection import train_test_split\n",
+    "from sklearn.neural_network import MLPClassifier\n",
+    "from sklearn.metrics import classification_report\n",
+    "\n",
+    "# 1. Загрузка данных\n",
+    "# load_iris() загружает встроенный набор данных Iris (ирисы Фишера)\n",
+    "# return_X_y=True возвращает данные в виде матрицы признаков (X) и вектора меток (y)\n",
+    "X, y = load_iris(return_X_y=True)\n",
+    "\n",
+    "# 2. Разделение данных на обучающую и тестовую выборки\n",
+    "# test_size=0.2 означает, что 20% данных пойдут в тестовую выборку\n",
+    "# random_state можно задать для воспроизводимости результатов\n",
+    "X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n",
+    "\n",
+    "# 3. Создание и обучение модели нейронной сети\n",
+    "# MLPClassifier - многослойный перцептрон\n",
+    "# hidden_layer_sizes=(10,) - один скрытый слой с 10 нейронами\n",
+    "# activation='relu' - функция активации Rectified Linear Unit\n",
+    "# max_iter=500 - максимальное количество итераций обучения\n",
+    "clf = MLPClassifier(hidden_layer_sizes=(10,), activation='relu', max_iter=10000)\n",
+    "clf.fit(X_train, y_train)  # Обучение модели на тренировочных данных\n",
+    "\n",
+    "# 4. Оценка модели\n",
+    "# classification_report выводит отчет с основными метриками качества\n",
+    "print(classification_report(y_test, clf.predict(X_test)))"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "af5eae95-22ed-46c6-8f3e-befb67a2d9e6",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.11.9"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}