Using a training example

week4_scikit_learn.ipynb

@@ -0,0 +1,98 @@
+{
+ "cells": [
+  {
+   "metadata": {},
+   "cell_type": "markdown",
+   "source": "# Использование обучающего примера",
+   "id": "f35a7e78162fe88b"
+  },
+  {
+   "metadata": {
+    "collapsed": true,
+    "ExecuteTime": {
+     "end_time": "2026-05-02T17:42:08.755269800Z",
+     "start_time": "2026-05-02T17:42:08.578031400Z"
+    }
+   },
+   "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        10\n",
+      "           1       0.83      1.00      0.91         5\n",
+      "           2       1.00      0.93      0.97        15\n",
+      "\n",
+      "    accuracy                           0.97        30\n",
+      "   macro avg       0.94      0.98      0.96        30\n",
+      "weighted avg       0.97      0.97      0.97        30\n",
+      "\n"
+     ]
+    },
+    {
+     "name": "stderr",
+     "output_type": "stream",
+     "text": [
+      "C:\\Users\\zasyp\\PycharmProjects\\ScikitLearnLLM\\.venv\\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": 27
+  },
+  {
+   "metadata": {},
+   "cell_type": "markdown",
+   "source": [
+    "## Выводы по результатам отчёта о точности\n",
+    "\n",
+    "1. Используется датасет **Iris**, в котором загружено **150** цветков ириса, разделенных на 4 категории\n",
+    "2. **test_size** равен **0.2**, это значит что **20%** из всех загруженных 150 цветков пойдут на тесты, остальные **80%** идут на обучение. Установив значение на **0.5** кол-во делится пополам на обучение и на тесты.\n",
+    "3. **max_iter** - кол-во итераций обучения. При **max_iter=100** результаты крайне нестабильные и модель очень часто ошибается. Если установить **max_iter** на **500**, результаты становятся довольно точными, но иногда все равно промахивается. При установке **max_iter** на **2500** результаты оказываются либо всегда 1, либо очень точными (что может говорить о том, что модель переобучилась из-за большого кол-ва итераций)"
+   ],
+   "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
+}