Update lab2.py, lab4.py, and 5 more files...

app/labs/lab2.py

@@ -7,34 +7,45 @@ class lab2:
         pass
 
     def main(self):
-        # Данные для графика
+
+        # Используем массивы из первой работы
         x11 = np.random.normal(2, 1, [10, 1])
         x21 = np.random.normal(6, 2, [10, 1])
-        print(x11,x21)
 
-        # Рисуем график
+        # Построение диаграммы рассеяния
         plt.scatter(x11, x21)
-        plt.xlabel("x")
+        plt.xlabel("x1")
-        plt.ylabel("y")
+        plt.ylabel("x2")
         plt.title("Диаграмма рассеяния")
         plt.show()
 
+        # Построение гистограммы
         hist_data = np.vstack((x11, x21))
-        print ("Данные для гистограммы:", hist_data )
+        plt.hist(hist_data, bins=10)
-        plt.hist(hist_data)
+        plt.xlabel("Значение признака")
-        plt.xlabel('Значение признака')
+        plt.ylabel("Количество значений")
-        plt.ylabel('Частота появления значения признака')
+        plt.title("Гистограмма")
-        plt.title('Гистограмма')
         plt.show()
 
-        #  Коробочковая диаграмма
+        # Построение "ящика с усами"
-        plt.boxplot((x11.ravel(), x21.ravel()), notch=True)
+        boxplot_data = plt.boxplot((x11.ravel(), x21.ravel()), notch=True)
-        print("Данные для коробочковой диаграммы",x11.ravel(), x21.ravel())
+        plt.xlabel("Массив")
-        plt.xlabel('№ объекта')
+        plt.ylabel("Значение признака")
-        plt.ylabel('Значение признака')
+        plt.title("Ящик с усами")
-        plt.title('Ящик с усами')
+        plt.xticks([1, 2], ['x11', 'x21'])
         plt.show()
 
+        # Получение данных для таблицы
+        for i, name in enumerate(['x11', 'x21'], start=1):
+            print(f"Данные для {name}:")
+            print(f"Медиана: {boxplot_data['medians'][i-1].get_ydata()[0]}")
+            print(f"Нижняя граница: {boxplot_data['whiskers'][2*(i-1)].get_ydata()[1]}")
+            print(f"Верхняя граница: {boxplot_data['whiskers'][2*(i-1)+1].get_ydata()[1]}")
+            print(f"Нижний квартиль: {boxplot_data['boxes'][i-1].get_ydata()[1]}")
+            print(f"Верхний квартиль: {boxplot_data['boxes'][i-1].get_ydata()[2]}")
+            fliers = boxplot_data['fliers'][i-1].get_ydata()
+            print(f"Выбросы: {', '.join(map(str, fliers)) if fliers.size > 0 else 'Нет выбросов'}")
+
 if __name__ == "__main__":
     l2 = lab2()
     l2.main()

app/labs/lab4.py

@@ -0,0 +1,79 @@
+import numpy as np
+import matplotlib
+import matplotlib.pyplot as plt
+from sklearn.datasets import load_iris
+
+class lab4:
+
+    def __init__(self):
+        pass
+
+    def main(self):
+        matplotlib.use('TkAgg')
+
+        # Загрузим данные Ирисов Фишера
+        data = load_iris()
+        X = data.data # признаки ирисов
+        Y = data.target # сорта ирисов
+        Y_str = data.target_names # названия сортов ирисов
+        setosa_inds = Y == np.where(Y_str == "setosa")
+        setosa_data = X[np.ravel(setosa_inds), :]
+        virginica_inds = Y == np.where(Y_str == "virginica")
+        virginica_data = X[np.ravel(virginica_inds), :]
+
+        # трехмерная скаттерограмма setosa и virginica
+        fig = plt.figure()
+        ax = plt.axes(projection='3d')
+        ax.set_title('Cкаттерограмма setosa и virginica')
+
+        x = setosa_data[:, 1]
+        y = setosa_data[:, 3]
+        z = setosa_data[:, 0]
+        ax.scatter(x, y, z, c='blue')
+
+        x = virginica_data[:, 1]
+        y = virginica_data[:, 3]
+        z = virginica_data[:, 0]
+        ax.scatter(x, y, z, c='red')
+        ax.set_xlabel('Ширина чашелистика')
+        ax.set_ylabel('Ширина лепестка')
+        ax.set_zlabel('Длина чашелистика')
+
+        plt.show()
+
+        # разница средних значений по всем признакам
+        diff_mean = np.mean(setosa_data, axis=0) - np.mean(virginica_data, axis=0)
+        print ('Разница средних значений:', diff_mean)
+
+        # сумма матриц ковариации
+        sum_covariance = np.cov(setosa_data, rowvar=0) + np.cov(virginica_data, rowvar=0)
+        print ('Сумма матриц ковариации:',sum_covariance)
+
+        # ненормированный весовой вектор
+        W = np.matmul(np.linalg.inv(sum_covariance), diff_mean)
+        print ('Ненормируемый весовой вектор:',W)
+
+        # нормируемирование весового вектора
+        w = W/np.linalg.norm(W)
+        print ('Нормируемый весовой вектор:', w)
+
+        # проекции исходных объектов на полученный весовой вектор
+        proj_setosa = np.matmul(setosa_data, w)
+        print ('Проекция сетоса', proj_setosa)
+        proj_virginica = np.matmul(virginica_data, w)
+
+        #Гистограмма проекций объектов на весовой вектор
+        hist_data = np.vstack((proj_setosa, proj_virginica))
+        plt.hist(hist_data.T)
+        print ('Значения гистограммы', hist_data.T)
+        plt.xlabel('Значение проекции объекта')
+        plt.ylabel('Проекция на весовой вектор')
+        plt.title('Гистограмма')
+        plt.show()
+        lim=(np.mean(proj_setosa)+np.mean(proj_virginica))/2
+        print(lim)
+
+
+if __name__ == "__main__":
+    l4 = lab4()
+    l4.main()

app/labs/lab5.py

@@ -0,0 +1,85 @@
+import matplotlib.pyplot as plt
+import matplotlib
+from sklearn.datasets import load_iris
+from sklearn.decomposition._pca import PCA
+import numpy as np
+
+class lab5:
+
+    def __init__(self):
+        pass
+
+    def main(self):
+
+        matplotlib.use('TkAgg')
+
+        # Загружаем данные ирисов
+        data = load_iris()
+        X = data.data # признаки ирисов
+        Y = data.target # сорта ирисов
+        Y_str = data.target_names # названия сортов ирисов
+
+        # setosa
+        setosa_inds = Y == np.where(Y_str == "setosa")
+        setosa_data = X[np.ravel(setosa_inds), :]
+        # versicolor
+        versicolor_inds = Y == np.where(Y_str == "versicolor")
+        versicolor_data = X[np.ravel(versicolor_inds), :]
+        # virginica
+        virginica_inds = Y == np.where(Y_str == "virginica")
+        virginica_data = X[np.ravel(virginica_inds), :]
+
+        plt.scatter(setosa_data[:, 1], setosa_data [:, 2], marker="+", label='Setosa')
+        plt.scatter(virginica_data[:, 1], virginica_data[:, 2], marker=".", label='Vergisicа')
+        plt.title('Скаттерограмма Setosa и Virginica')
+        plt.xlabel('Ширина чашелистика (см)')
+        plt.ylabel('Ширина лепестка (см)')
+        plt.legend()
+        plt.show()
+
+
+        # Выполняем PCA для сокращения размерности до 2D
+        PCA_obj = PCA(n_components=2) # Две главные компоненты
+        N = len(setosa_data)
+        data_0 = np.vstack((setosa_data, virginica_data))
+        reduced_data_0 = PCA_obj.fit_transform(data_0)
+        print (reduced_data_0)
+
+        #Скаттерограмма объекты сортов ирисов в пространстве главных компонент
+        plt.scatter(reduced_data_0[0:N, 0], reduced_data_0[0:N, 1], marker=".", label='Setosa')
+        plt.scatter(reduced_data_0[N:, 0], reduced_data_0[N:, 1], marker="*", label='Virginica')
+        plt.xlabel("Главная компонента 1")
+        plt.ylabel("Главная компонента 2")
+        plt.title("Скатерограмма Setosa и Virginica")
+        plt.legend()
+        plt.show()
+
+        # Для всех Сортов
+        plt.scatter(setosa_data[:, 1], setosa_data [:, 2], marker="+", label='Setosa')
+        plt.scatter(versicolor_data[:, 1], versicolor_data[:, 2], marker=".", label='Versicolor')
+        plt.scatter(virginica_data[:, 1], virginica_data[:, 2], marker=".", label='Vergisicа')
+        plt.title('Скаттерограмма для всех сортов ирисов')
+        plt.xlabel('Ширина чашелистика (см)')
+        plt.ylabel('Ширина лепестка (см)')
+        plt.legend()
+        plt.show()
+
+
+        data = np.vstack((setosa_data, versicolor_data, virginica_data))
+        reduced_data = PCA_obj.fit_transform(data)
+
+        #Скаттерограмма объекты сортов ирисов в пространстве главных компонент
+        plt.scatter(reduced_data[0:N, 0], reduced_data[0:N, 1], marker="+", label='Setosa')
+        plt.scatter(reduced_data[N:2*N, 0], reduced_data[N:2*N, 1], marker=".", label='Versicolor')
+        plt.scatter(reduced_data[2*N:, 0], reduced_data[2*N:, 1], marker="*", label='Virginica')
+        plt.xlabel("Главная компонента 1")
+        plt.ylabel("Главная компонента 2")
+        plt.title("Скатерограмма всех сортов")
+        plt.legend()
+        plt.show()
+
+
+
+if __name__ == "__main__":
+    l5 = lab5()
+    l5.main()

app/labs/lab6.py

@@ -0,0 +1,98 @@
+import numpy as np
+import matplotlib.pyplot as plt
+import pandas as pd
+import matplotlib
+
+class lab6:
+
+    def __init__(self):
+        pass
+
+    def main(self):
+
+        matplotlib.use('TkAgg')
+
+        #создание массивов
+        g1 = [[0.7, 0.3, 1.2],
+            [0.5, 0.7, 1.0],
+            [0.4, 1.0, 0.4],
+            [0.7, 0.7, 1.0],
+            [0.6, 0.6, 1.5],
+            [0.6, 0.6, 1.2],
+            [0.6, 0.5, 1.0],
+            [0.4, 0.9, 0.6],
+            [0.5, 0.6, 1.1],
+            [0.8, 0.3, 1.2]]
+        g2 = [[0.4, 0.2, 0.8],
+            [0.2, 0.2, 0.7],
+            [0.9, 0.3, 0.5],
+            [0.8, 0.3, 0.6],
+            [0.5, 0.6, 0.4],
+            [0.6, 0.5, 0.7],
+            [0.4, 0.4, 1.2],
+            [0.6, 0.3, 1.0],
+            [0.3, 0.2, 0.6],
+            [0.5, 0.5, 0.8]]
+        # Создание датафреймов
+        df_g1 = pd.DataFrame(g1, columns=['X1', 'Y1', 'Z1'])
+        df_g2 = pd.DataFrame(g2, columns=['X2', 'Y2', 'Z2'])
+        # Объединение датафреймов
+        df = pd.concat([df_g1, df_g2], axis=1)
+        # п3: построение скаттерограммы
+        fig = plt.figure()
+        ax = fig.add_subplot(111, projection='3d')
+        # Наносим точки на график
+        ax.scatter(df.iloc[:, 0],
+            df.iloc[:, 1],
+            df.iloc[:, 2],
+            color='midnightblue')
+        ax.scatter(df.iloc[:, 3],
+            df.iloc[:, 4],
+            df.iloc[:, 5],
+            color='darkred')
+        ax.set_xlabel('1 признак')
+        ax.set_ylabel('2 признак')
+        ax.set_zlabel('3 признак')
+        plt.legend(['g1', 'g2'])
+        plt.show()
+
+        # п2: последовательное обучение с коррекцией ошибки
+        one = np.ones((10, 1))
+        g1 = np.hstack((g1, one))
+        g2 = np.hstack((g2, one))
+        g2 = (-1)*np.array(g2)
+        g = np.vstack((g1, g2))
+        W = np.mean(g1, axis=0) - np.mean(g2, axis=0)
+        w = W/np.linalg.norm(W)
+        proj1=np.matmul(g,w)
+        print (proj1)
+        plt.figure(3)
+        plt.subplot(1, 2, 1)
+        plt.hist(proj1.T[0:9], bins= 10,color = ('firebrick'), alpha=0.7, edgecolor = 'black',label='g1')
+        plt.hist((-1)*proj1.T[10:19], bins= 10,color = ('indigo'), alpha=0.7, edgecolor ='black',label='g2')
+        plt.legend()
+        plt.xlabel('Значение')
+        plt.ylabel('Количество')
+        plt.title('Гистограмма первого приближения')
+        learn_coeff = 0.1
+        while min(proj1)<0:
+            for ind, data_sample in enumerate(g):
+                proj1[ind] = np.matmul(data_sample, w)
+                if proj1[ind]<0:
+                    w = w + data_sample*learn_coeff
+                proj = np.matmul(g, w)
+        v1 = np.matmul(g, w)
+        # Построение гистограммы проекций
+        plt.subplot(1, 2, 2)
+        plt.hist(v1.T[0:9], bins= 10,color = ('firebrick'), alpha=0.7, edgecolor = 'black',label='g1')
+        plt.hist((-1)*v1.T[10:19], bins= 10,color = ('indigo'), alpha=0.7, edgecolor ='black',label='g2')
+        plt.xlabel('Значение')
+        plt.ylabel('Количество')
+        plt.title('Гистограмма после обучения')
+        plt.legend()
+        plt.show()
+
+
+if __name__ == "__main__":
+    l6 = lab6()
+    l6.main()

app/labs/lab7.py

@@ -0,0 +1,143 @@
+import numpy as np
+import matplotlib.pyplot as plt
+import sklearn.metrics
+from sklearn.datasets import load_iris
+from sklearn.model_selection import train_test_split
+from sklearn.neighbors import KNeighborsClassifier
+import matplotlib
+
+class lab7:
+
+    def __init__(self):
+        pass
+
+    def main(self):
+        matplotlib.use('TkAgg')
+
+        # Загружаем данные ирисов
+        data = load_iris()
+        X = data.data  # Признаки ирисов
+        Y = data.target  # Сорта ирисов
+        label = Y  # Используем Y в качестве меток классов для классификации
+        Y_str = data.target_names  # Названия сортов ирисов
+
+        # setosa
+        setosa_inds = Y == np.where(Y_str == "setosa")[0][0]
+        setosa_data = X[setosa_inds, :]
+        # versicolor
+        versicolor_inds = Y == np.where(Y_str == "versicolor")[0][0]
+        versicolor_data = X[versicolor_inds, :]
+        # virginica
+        virginica_inds = Y == np.where(Y_str == "virginica")[0][0]
+        virginica_data = X[virginica_inds, :]
+
+        # Определяем функцию классификации
+        def classification(data, label, k):
+            X_train, X_test, y_train, y_test = train_test_split(data, label, random_state=10)  #Разделение данных
+            knn = KNeighborsClassifier(n_neighbors=k, metric='euclidean')  # Создание KNN-классификатора
+            knn.fit(X_train, y_train)
+            predicted_data = knn.predict(X_test)
+            report = sklearn.metrics.classification_report(y_test, predicted_data)
+
+        # Пример вызова функции классификации
+        setosa_data = sklearn.preprocessing.normalize(setosa_data)
+        versicolor_data = sklearn.preprocessing.normalize(versicolor_data)
+        virginica_data = sklearn.preprocessing.normalize(virginica_data)
+        data_all = np.vstack((setosa_data,versicolor_data,virginica_data))
+
+        fig, axs = plt.subplots(2, 3, figsize=(12,8),dpi=160)
+        axs[0, 0].scatter(data_all[:50, 0], data_all[:50, 1], marker='*')
+        axs[0, 0].scatter(data_all[50:100, 0], data_all[50:100, 1], marker='^')
+        axs[0, 0].scatter(data_all[100:, 0], data_all[100:, 1], marker='+')
+        axs[0, 0].title.set_text('features 1 and 2')
+
+        axs[0, 1].scatter(data_all[:50, 0], data_all[:50, 2], marker='*')
+        axs[0, 1].scatter(data_all[50:100, 0], data_all[50:100, 2], marker='^')
+        axs[0, 1].scatter(data_all[100:, 0], data_all[100:, 2], marker='+')
+        axs[0, 1].title.set_text('features 1 and 3')
+
+        axs[0, 2].scatter(data_all[:50, 0], data_all[:50, 3], marker='*')
+        axs[0, 2].scatter(data_all[50:100, 0], data_all[50:100, 3], marker='^')
+        axs[0, 2].scatter(data_all[100:, 0], data_all[100:, 3], marker='+')
+        axs[0, 2].title.set_text('features 1 and 4')
+
+        axs[1, 0].scatter(data_all[:50, 1], data_all[:50, 2], marker='*',)
+        axs[1, 0].scatter(data_all[50:100, 1], data_all[50:100, 2], marker='^')
+        axs[1, 0].scatter(data_all[100:, 1], data_all[100:, 2], marker='+')
+        axs[1, 0].title.set_text('features 2 and 3')
+
+        axs[1, 1].scatter(data_all[:50, 1], data_all[:50, 3], marker='*')
+        axs[1, 1].scatter(data_all[50:100, 1], data_all[50:100, 3], marker='^')
+        axs[1, 1].scatter(data_all[100:, 1], data_all[100:, 3], marker='+')
+        axs[1, 1].title.set_text('features 2 and 4')
+
+        axs[1, 2].scatter(data_all[:50, 2], data_all[:50, 3], marker='*')
+        axs[1, 2].scatter(data_all[50:100, 2], data_all[50:100, 3], marker='^')
+        axs[1, 2].scatter(data_all[100:, 2], data_all[100:, 3], marker='+')
+        axs[1, 2].title.set_text('features 3 and 4')
+        plt.show()
+
+        data = np.hstack((data_all[:,0].reshape(150,1),data_all[:,1].reshape(150,1)))
+        print('Количество соседей = 2:')
+        classification(data,label,2)
+        print('Количество соседей = 5:')
+        classification(data,label,5)
+        print('Количество соседей = 20:')
+        classification(data,label,20)
+        print('Количество соседей = 70:')
+        classification(data,label,70)
+        print('///////////////////////////////////////////////////////////////////')
+        data = np.hstack((data_all[:,0].reshape(150,1),data_all[:,2].reshape(150,1)))
+        print('Количество соседей = 2:')
+        classification(data,label,2)
+        print('Количество соседей = 5:')
+        classification(data,label,5)
+        print('Количество соседей = 20:')
+        classification(data,label,20)
+        print('Количество соседей = 70:')
+        classification(data,label,70)
+        print('///////////////////////////////////////////////////////////////////')
+        data = np.hstack((data_all[:,0].reshape(150,1),data_all[:,3].reshape(150,1)))
+        print('Количество соседей = 2:')
+        classification(data,label,2)
+        print('Количество соседей = 5:')
+        classification(data,label,5)
+        print('Количество соседей = 20:')
+        classification(data,label,20)
+        print('Количество соседей = 70:')
+        classification(data,label,70)
+        print('///////////////////////////////////////////////////////////////////')
+        data = np.hstack((data_all[:,1].reshape(150,1),data_all[:,2].reshape(150,1)))
+        print('Количество соседей = 2:')
+        classification(data,label,2)
+        print('Количество соседей = 5:')
+        classification(data,label,5)
+        print('Количество соседей = 20:')
+        classification(data,label,20)
+        print('Количество соседей = 70:')
+        classification(data,label,70)
+        print('///////////////////////////////////////////////////////////////////')
+        data = np.hstack((data_all[:,1].reshape(150,1),data_all[:,3].reshape(150,1)))
+        print('Количество соседей = 2:')
+        classification(data,label,2)
+        print('Количество соседей = 5:')
+        classification(data,label,5)
+        print('Количество соседей = 20:')
+        classification(data,label,20)
+        print('Количество соседей = 70:')
+        classification(data,label,70)
+        print('///////////////////////////////////////////////////////////////////')
+        data = np.hstack((data_all[:,2].reshape(150,1),data_all[:,3].reshape(150,1)))
+        print('Количество соседей = 2:')
+        classification(data,label,2)
+        print('Количество соседей = 5:')
+        classification(data,label,5)
+        print('Количество соседей = 20:')
+        classification(data,label,20)
+        print('Количество соседей = 70:')
+        classification(data,label,70)
+
+
+if __name__ == "__main__":
+    l7 = lab7()
+    l7.main()

main.py

@@ -2,10 +2,5 @@ from app.utils.config import debug
 from app.menu_load import menu
 
 if __name__ == "__main__":
-    if debug == True:
+    mn = menu()
-        print("Running in debug mode...")
+    mn.main_menu()
-        from test_module.debug_main import debug_main_start
-        debug_main_start()
-    else:
-        mn = menu()
-        mn.main_menu()

requirements.txt

@@ -1,3 +1,4 @@
 numpy==1.24.4
 matplotlib==3.7.5
 scikit-learn==1.3.2
+pandas==2.2.3