Нейросетевые технологиий

• Название: Нейросетевые технологиий
• Дата: 16.03.2023
• Размер: 297.39 Kb.
• Имя файла: Laba 3.docx
• Тип: Отчет; #994699

МИНИСТЕРСТВО ЦИФРОВОГО РАЗВИТИЯ, СВЯЗИ И МАССОВЫХ КОММУНИКАЦИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ

УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ ИМ. ПРОФ. М.А. БОНЧ-БРУЕВИЧА»

(СПбГУТ)

Факультет Информационных систем и технологий

Кафедра Информационных управляющих систем

Направление: 09.03.02 Информационные системы и технологии

Профиль: Дизайн графических и пользовательских интерфейсов информационных систем

ОТЧЕТ

к лабораторной работе № 3:

«Классификация объектов»

по дисциплине «Нейросетевые технологиий»

Выполнил:

Студент группы ИСТ-933

Шокодько А.А. «____»_________ 2022 г.

Принял:

преп. каф. ИУС

Капитоненко В.В. «____»_________ 2022 г.

Санкт-Петербург

2022 г

СОДЕРЖАНИЕ

СОДЕРЖАНИЕ 3

ЦЕЛИ РАБОТЫ 4

ХОД РАБОТЫ 5

Задание 5

Листенинг 5

ВЫВОД 9

ЦЕЛИ РАБОТЫ

Цели работы:

- подготовить набор данных используя файл column_3C.dat. Построить и обучить сеть для классификации диагноза пациентов (1 – болен этим, 0 – этим не болен).

ХОД РАБОТЫ

Задание

Подготовить набор данных используя файл column_3C.dat. Построить и обучить сеть для классификации диагноза пациентов (1 – болен этим, 0 – этим не болен).

Листенинг

library(nnet)

# Загрузка данных column_3C во фрейм data.column_3C

setwd("C:/Users/zen/Desktop")

data.column_3C <- read.csv('column_3C.csv',,sep = ".")

# Формирование выходных реакций в виде трёхкомпонентного вектора (DH – грыжа диска, SL – спондилолистез, NO - нормальный)

targets <- class.ind(c(rep('DH', 50), rep('SL', 50), rep('NO', 50)))

# Формирование номеров векторов тренировочного набора

set.seed(55)

samp <- c(sample(1:50,35), sample(51:100,35), sample(101:150,35))

# Формирование обучающего и тестового наборов

train.set <- data.column_3C[samp,]

test.set <- data.column_3C[-samp,]

# Обучение сети net.column_3C

set.seed(5)

net.column_3C <- nnet(train.set,targets[samp,], size = 10, maxit = 500)

# Проверка сети на тестовом наборе

net.pred <- predict(net.column_3C, test.set)

# Построение проверочной таблицы

table(max.col(targets[-samp,]), max.col(net.pred))

Результаты показаны на рисунке 1-4:



Рисунок 1 – таблица с пациентами (уже разделённая по критериям)



Рисунок 2 – результаты диагноза



Рисунок 3 – результаты диагноза




Рисунок 4 – результаты диагноза

ВЫВОД

При выполнении лабораторной работы №3:

- подготовлен набор данных файла column_3C.dat; построена и обучена сеть для классификации диагноза пациентов (1 – болен этим, 0 – этим не болен).