Sieć klasyfikująca irysy

Opis projektu

Ten projekt demonstruje budowę i trenowanie prostej sieci neuronowej do klasyfikacji irysów na podstawie popularnego zestawu danych Iris. Wykorzystano biblioteki takie jak scikit-learn, pandas, matplotlib, seaborn oraz PyTorch do przetwarzania danych, wizualizacji i budowy modelu.

Wymagania wstępne

Zainstaluj wymagane biblioteki i utwórz środowisko wirtualne:

python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt

Dane wejściowe

Import danych

Dane pochodzą z wbudowanego zbioru load_iris dostępnego w sklearn. Zbiór zawiera:

• Cechy wejściowe: długość i szerokość działki oraz płatków irysa (cm).
• Etykiety wyjściowe: klasy irysów (setosa, versicolor, virginica).

Wizualizacja danych

Dane są wizualizowane na wykresie:

Wizualizacja danych

Dane są wizualizowane na poniższym wykresie, który przedstawia długość i szerokość działek irysów z oznaczeniem ich klasy:

Przetwarzanie danych

• Standaryzacja: Dane wejściowe są centrowane i skalowane do średniej 0 i wariancji 1.
  
• One-hot encoding: Etykiety wyjściowe są przekształcane na format binarny.

Podział danych

Dane są podzielone na zbiór treningowy (80%) i testowy (20%) za pomocą train_test_split.

Model

Architektura sieci

Sieć neuronowa została zdefiniowana w PyTorch jako 3-warstwowy model:

• Warstwa 1: 4 wejścia → 10 neuronów
• Warstwa 2: 10 wejść → 100 neuronów
• Warstwa 3: 100 wejść → 3 wyjścia (klasy)

class NeuralNet(nn.Module):
    def __init__(self):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(4, 10)
        self.fc2 = nn.Linear(10, 100)
        self.fc3 = nn.Linear(100, 3)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = torch.softmax(self.fc3(x), dim=1)
        return x

Trening sieci

Model jest trenowany przez 100 epok z optymalizatorem Adam i funkcją błędu CrossEntropyLoss. Gradienty są obliczane i aktualizowane dla każdej paczki danych.

Walidacja

Dokładność modelu jest mierzona na danych testowych. Wynik na przykładzie:

Dokładność modelu na podstawie danych poprawnych: 96.67%

Jak uruchomić projekt?

1. Uruchom środowisko wirtualne:

   .venv\Scripts\activate

Uruchom Jupyter Notebook w swoim środowisku wirtualnym:

Skopiuj kod

jupyter notebook

Otwórz notebook projektu (np. projekt.ipynb) w interfejsie Jupyter.

Wykonuj kolejne komórki kodu zgodnie z logiką projektu, zaczynając od importów i przetwarzania danych.

Zobacz wyniki na konsoli i wizualizacje w wygenerowanych wykresach.

Wyniki

Model osiąga wysoką dokładność na zbiorze testowym, co wskazuje na skuteczność w klasyfikacji irysów przy zastosowanej architekturze i przetwarzaniu danych.

Dalsze kroki

• Eksperymentowanie z hiperparametrami (liczba neuronów, funkcja aktywacji, itp.).
• Użycie innych funkcji optymalizacji lub metryk oceny.
• Rozbudowa sieci o inne warstwy (np. dropout, batch normalization).