104 lines
3.9 KiB
Plaintext
104 lines
3.9 KiB
Plaintext
{
|
||
"cells": [
|
||
{
|
||
"metadata": {},
|
||
"cell_type": "markdown",
|
||
"source": "# Пример с использованием scikit-learn",
|
||
"id": "f35a7e78162fe88b"
|
||
},
|
||
{
|
||
"metadata": {
|
||
"collapsed": true,
|
||
"ExecuteTime": {
|
||
"end_time": "2026-05-07T18:55:17.794760700Z",
|
||
"start_time": "2026-05-07T18:55:17.652490Z"
|
||
}
|
||
},
|
||
"cell_type": "code",
|
||
"source": [
|
||
"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",
|
||
"# Загрузка и разбиение данных\n",
|
||
"X, y = load_iris(return_X_y=True)\n",
|
||
"X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)\n",
|
||
"\n",
|
||
"# Модель MLP — многослойный перцептрон\n",
|
||
"clf = MLPClassifier(hidden_layer_sizes=(10,), activation='relu', max_iter=500)\n",
|
||
"clf.fit(X_train, y_train)\n",
|
||
"\n",
|
||
"# Отчёт о точности\n",
|
||
"print(classification_report(y_test, clf.predict(X_test)))"
|
||
],
|
||
"id": "6b3a8f9a35d69b96",
|
||
"outputs": [
|
||
{
|
||
"name": "stdout",
|
||
"output_type": "stream",
|
||
"text": [
|
||
" precision recall f1-score support\n",
|
||
"\n",
|
||
" 0 1.00 1.00 1.00 11\n",
|
||
" 1 0.89 1.00 0.94 8\n",
|
||
" 2 1.00 0.91 0.95 11\n",
|
||
"\n",
|
||
" accuracy 0.97 30\n",
|
||
" macro avg 0.96 0.97 0.96 30\n",
|
||
"weighted avg 0.97 0.97 0.97 30\n",
|
||
"\n"
|
||
]
|
||
},
|
||
{
|
||
"name": "stderr",
|
||
"output_type": "stream",
|
||
"text": [
|
||
"C:\\Users\\Alexandr\\AppData\\Local\\Programs\\Python\\Python314\\Lib\\site-packages\\sklearn\\neural_network\\_multilayer_perceptron.py:785: ConvergenceWarning: Stochastic Optimizer: Maximum iterations (500) reached and the optimization hasn't converged yet.\n",
|
||
" warnings.warn(\n"
|
||
]
|
||
}
|
||
],
|
||
"execution_count": 4
|
||
},
|
||
{
|
||
"metadata": {},
|
||
"cell_type": "markdown",
|
||
"source": [
|
||
"## Вывод:\n",
|
||
"\n",
|
||
" 1. Используется датасет Iris, который содержит 150 образцов ирисов, разделённых на 3 класса (не 4 категории). Каждый образец описывается 4 признаками.\n",
|
||
"2. test_size = 0.2 означает, что 20% данных (30 образцов) отводится на тестирование, а 80% (120 образцов) — на обучение. Если установить test_size = 0.5, данные делятся пополам (по 75 образцов на обучение и тестирование).\n",
|
||
"3. max_iter — количество итераций обучения.\n",
|
||
" >При **max_iter=100** результаты крайне нестабильные и модель очень часто ошибается.\n",
|
||
"\n",
|
||
" >При max_iter = 500 результаты становятся достаточно точными, хотя редкие ошибки всё ещё возможны.\n",
|
||
"\n",
|
||
" >При max_iter = 2500 модель либо выдаёт идеальную точность (1.0), либо показывает очень высокие результаты."
|
||
],
|
||
"id": "350dd90fedfff2ab"
|
||
}
|
||
],
|
||
"metadata": {
|
||
"kernelspec": {
|
||
"display_name": "Python 3",
|
||
"language": "python",
|
||
"name": "python3"
|
||
},
|
||
"language_info": {
|
||
"codemirror_mode": {
|
||
"name": "ipython",
|
||
"version": 2
|
||
},
|
||
"file_extension": ".py",
|
||
"mimetype": "text/x-python",
|
||
"name": "python",
|
||
"nbconvert_exporter": "python",
|
||
"pygments_lexer": "ipython2",
|
||
"version": "2.7.6"
|
||
}
|
||
},
|
||
"nbformat": 4,
|
||
"nbformat_minor": 5
|
||
}
|