Ответы на тесты / РОСДИСТАНТ / Системы искусственного интеллекта 2 / 40 вопросов / Тесты 1-2
В файле собраны ответы к тестам из курса РОСДИСТАНТ / Системы искусственного интеллекта 2 (Тесты 1-2).
В промежуточных тестах - все правильные ответы.
После покупки Вы получите файл, где будет 40 вопросов с ответами. Верный ответ выделен по тексту.
В демо-файлах представлен пример, как выделены ответы.
Ниже список вопросов, которые представлены в файле.
Также Вы можете посмотреть другие мои готовые работы у меня на странице по ссылке:
Промежуточный тест 1
Вопрос 1
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,2.633,-7.467,5.521,-6.238,-3.083,-6.292,4.0
1,3.146,-7.019,8.152,10.391,10.584,4.793,3.0
2,7.686,-0.958,-9.244,0.877,-8.494,3.308,1.0
3,0.665,-2.69,3.166,-10.601,-5.063,-9.076,0.0
4,0.276,-1.714,-2.431,8.868,-7.584,-4.469,2.0
5,-6.178,-6.399,4.75,-12.165,-6.088,-8.873,0.0
6,3.952,-8.63,3.13,-6.846,-5.035,-4.611,4.0
7,6.267,-5.495,3.346,-3.049,-5.301,-3.046,4.0
8,6.706,-5.176,10.452,-7.856,-3.538,-7.87,4.0
9,-5.161,-3.88,5.128,-7.103,-1.03,-10.984,0.0
10,1.692,0.22,-2.13,11.117,-4.75,-2.72,2.0
11,12.052,1.428,-10.937,6.855,-9.675,-1.712,1.0
12,6.153,-6.56,5.687,-7.055,-0.801,-4.126,4.0
13,7.247,-4.124,7.503,9.767,6.615,3.573,3.0
14,-6.919,-5.842,7.3,-7.069,-0.673,-10.441,0.0
15,-5.508,-5.695,2.981,-10.872,-1.363,-9.624,0.0
16,6.362,-4.559,6.747,10.707,6.929,5.154,3.0
17,10.396,0.935,-9.594,4.968,-10.137,-3.967,1.0
18,0.229,-1.921,0.228,9.228,-6.102,-7.176,2.0
19,5.889,-2.322,5.891,7.873,8.017,5.447,3.0
20,-3.547,-6.701,1.123,-9.219,-4.005,-10.275,0.0
21,0.97,-0.271,-4.015,7.964,-6.377,-5.641,2.0
22,-1.052,2.881,-0.547,10.742,-7.05,-3.836,2.0
23,12.027,0.393,-8.534,3.843,-13.178,-1.664,1.0
24,5.569,-2.643,8.993,11.397,7.238,7.163,3.0
25,5.153,-7.739,5.136,-5.474,-5.492,-5.41,4.0
26,12.792,-0.254,-13.098,0.961,-10.18,-2.637,1.0
27,0.041,-0.116,0.109,9.516,-7.602,-2.36,2.0
28,7.357,-7.2,8.941,7.643,8.674,2.903,3.0
29,10.292,2.295,-7.7,6.613,-8.043,-2.06,1.0
30,-1.64,-6.39,7.038,-5.304,-2.271,-6.507,0.0
Вопрос 2
С использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv. Последний столбец в загруженных данных отвечает за метку класса (столбец "C"), остальные столбцы отвечают за атрибуты (столбцы "A1", "A2", "A3"). Загруженные данные используются для построения дерева классификации. При этом применяется библиотека Sklearn, а построение дерева осуществляется по алгоритму CART. Требуется определить условие разбиения данных в корневом узле. Примеры записи ответов: "A3 <= -1.625" или "A2 <= -6.359".
Содержимое файла data.csv:
,A1,A2,A3,C
0,-4.047,3.087,-6.967,0.0
1,5.313,4.308,7.293,4.0
2,-0.976,-3.198,-6.213,2.0
3,-2.833,-10.066,4.332,3.0
4,-9.155,8.265,-8.149,0.0
5,-3.25,-8.346,4.167,3.0
6,-4.551,-3.889,-3.589,2.0
7,-5.549,-4.164,-8.394,2.0
8,-1.18,-8.23,2.968,3.0
9,2.186,-10.896,2.081,3.0
10,-7.647,6.451,-9.576,0.0
11,1.185,-7.726,11.414,1.0
12,6.955,1.687,4.414,4.0
13,-9.534,5.214,-10.527,0.0
14,6.475,2.036,10.378,4.0
15,-1.117,-3.758,-6.909,2.0
16,8.85,3.108,6.057,4.0
17,-10.352,4.608,-6.186,0.0
18,4.799,-8.842,8.292,1.0
19,-13.45,4.501,-9.081,0.0
20,7.514,-0.704,5.859,4.0
21,9.024,0.987,10.13,4.0
22,2.705,-9.584,7.747,1.0
23,1.775,-10.918,8.885,1.0
24,0.345,-9.832,4.133,3.0
25,-1.926,-7.379,0.329,3.0
26,-10.321,7.164,-9.168,0.0
27,-5.17,-3.748,-5.403,2.0
28,2.172,-10.424,9.551,1.0
29,3.977,-10.931,7.071,1.0
30,-3.64,-0.263,-4.57,2.0
Вопрос 3
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-1.844,-5.724,5.399,-0.726,1.338,3.529,1.0
1,-1.171,-1.522,1.312,-2.735,4.157,1.589,1.0
2,5.073,3.31,2.263,0.627,-6.838,8.14,2.0
3,7.337,8.954,10.078,-0.597,-5.694,-8.924,0.0
4,7.756,9.522,7.073,1.719,-1.941,-7.76,0.0
5,-6.067,-3.552,-2.172,12.055,-1.027,9.196,4.0
6,-6.203,-3.726,-11.737,11.931,-6.474,-5.561,3.0
7,0.427,6.556,5.77,-1.031,-4.622,10.476,2.0
8,-1.855,-0.338,-7.46,10.973,-7.351,-2.017,3.0
9,4.177,8.404,8.455,2.949,-5.022,-11.118,0.0
10,-12.519,-6.159,-1.859,7.161,-3.041,12.971,4.0
11,-4.346,-5.967,-10.505,8.612,-7.295,-8.251,3.0
12,5.387,9.22,2.005,-1.851,-2.511,10.092,2.0
13,-2.612,-0.092,1.167,-2.336,1.411,0.869,1.0
14,4.855,0.748,-0.027,-0.63,-4.996,6.364,2.0
15,-11.13,-7.85,-2.068,7.775,-2.005,9.357,4.0
16,4.062,6.732,1.287,-2.924,-5.362,6.697,2.0
17,-7.395,-7.371,-1.376,9.762,-4.519,10.444,4.0
18,-4.711,-8.054,-3.441,10.949,-7.459,11.293,4.0
19,-3.446,-10.493,-9.346,10.603,-9.213,-5.445,3.0
20,1.199,11.65,3.644,-2.941,-5.09,-12.474,0.0
21,-3.125,-5.717,-9.179,7.047,-8.595,-5.086,3.0
22,-0.721,-1.203,1.881,-2.834,1.11,-0.975,1.0
23,-3.961,-5.308,-7.962,10.168,-4.591,-1.703,3.0
24,7.901,9.31,-1.287,-0.668,-0.954,9.032,2.0
25,10.354,8.928,7.446,0.981,-5.471,-10.855,0.0
26,10.577,10.765,5.761,-2.669,-4.684,-7.322,0.0
27,-0.398,-4.616,-3.928,-1.304,6.197,3.168,1.0
28,-6.942,-2.812,-4.877,7.942,-0.428,8.04,4.0
29,8.418,7.042,6.382,-0.2,-7.214,-9.603,0.0
30,-1.198,1.801,1.521,1.165,0.495,1.624,1.0
Вопрос 4
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-5.166,9.408,6.117,2.316,-7.111,-7.482,0.0
1,-0.532,6.474,-7.774,0.592,1.965,-11.357,4.0
2,-0.853,8.611,-6.536,5.725,3.1,-10.785,4.0
3,-0.906,-1.561,-0.978,-6.841,-3.637,-1.109,3.0
4,-14.078,8.967,2.196,3.563,-9.405,5.423,1.0
5,-0.163,6.825,-3.84,2.392,-0.907,-10.947,4.0
6,-5.466,7.575,3.719,4.087,-6.192,-10.406,0.0
7,-4.722,6.622,6.265,4.686,-7.024,-4.873,0.0
8,-3.835,-6.816,3.281,-6.616,-3.656,-1.98,3.0
9,-8.828,6.854,-0.808,3.32,-10.274,7.794,1.0
10,-8.115,6.033,2.745,7.238,-9.66,12.527,1.0
11,-4.811,9.766,3.439,1.39,-8.083,-3.176,0.0
12,-1.861,8.244,3.286,3.197,-4.818,-5.018,0.0
13,-2.572,2.674,-6.9,1.997,2.276,-11.562,4.0
14,-7.008,7.981,0.963,5.188,-9.394,11.335,1.0
15,6.848,-6.76,-9.465,-6.195,-6.04,1.442,2.0
16,-3.14,-5.807,2.083,-6.528,-3.604,-1.018,3.0
17,-4.188,8.396,5.302,3.924,-7.838,-7.251,0.0
18,-9.278,8.038,4.978,3.125,-11.205,8.395,1.0
19,9.454,-8.557,-5.19,-1.951,-5.896,-0.637,2.0
20,-3.02,6.668,-6.453,1.713,2.795,-9.217,4.0
21,-2.721,-3.711,2.823,-8.639,-0.426,-1.725,3.0
22,0.566,-3.35,3.881,-3.417,-4.648,-4.18,3.0
23,-2.536,6.899,6.285,-0.469,-6.462,-10.799,0.0
24,2.811,-5.806,-6.243,-1.405,-4.3,1.098,2.0
25,-3.744,-2.862,0.288,-5.636,-1.84,-4.314,3.0
26,4.81,-2.653,-7.93,-6.976,-2.288,-1.967,2.0
27,-10.242,6.668,1.238,1.234,-8.996,9.92,1.0
28,0.151,6.731,-4.976,7.99,2.99,-6.8,4.0
29,6.579,-8.091,-4.078,-4.828,-2.333,-1.324,2.0
30,6.326,-4.945,-2.591,-5.983,-3.4,0.346,2.0
Вопрос 5
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить значение A5 первого элемента списка, полученного путем фильтрации данных по условиям А2 > 1 и A3 < 2 и сортировки данных в порядке возрастания по значению A4. Ответ записать в виде числа без округлений через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,0.24,-5.68,-1.62,-0.43,4.25,7.54,1.0
1,-9.96,7.74,-4.53,5.54,5.43,-0.55,0.0
2,-2.36,-10.66,-5.23,-2.36,6.58,5.51,1.0
3,-9.21,1.79,-1.43,7.87,8.79,-1.01,0.0
4,5.44,-5.87,-0.05,7.28,3.93,-2.14,4.0
5,-1.4,-7.96,-2.31,8.76,-6.97,-1.68,2.0
6,-4.85,-8.32,-4.19,7.33,-7.03,2.54,2.0
7,12.34,-12.5,2.96,11.23,-6.79,2.14,3.0
8,-1.6,-11.57,-3.26,7.05,-2.88,-0.64,2.0
9,6.48,-11.13,0.38,9.39,-5.58,2.88,3.0
10,-0.37,-9.74,-5.23,2.59,6.64,7.41,1.0
11,8.65,-13.09,1.62,10.4,-3.21,4.4,3.0
12,-3.16,-10.37,-2.96,8.45,-5.88,0.61,2.0
13,7.46,-5.76,1.07,6.63,2.49,-0.99,4.0
14,-0.36,-12.12,-3.32,1.79,4.42,4.23,1.0
15,-8.56,2.7,-2.04,-0.11,11.66,-0.06,0.0
16,-10.88,8.52,2.3,3.81,11.24,0.41,0.0
17,1.12,-7.21,-4.66,-0.15,2.24,5.96,1.0
18,6.14,-10.53,1.46,7.36,-5.96,-2.1,3.0
19,6.3,-7.6,2.39,6.13,0.73,0.69,4.0
20,10.06,-7.04,-2.9,7.04,0.5,-3.33,4.0
21,4.54,-6.82,-5.32,-0.95,1.86,6.82,1.0
22,10.35,-8.95,-3.64,9.14,-0.44,0.63,4.0
23,4.72,-8.76,0.59,9.99,-6.46,-1.27,3.0
24,-7.94,4.55,2.59,4.94,9.76,1.28,0.0
25,7.23,-6.57,1.07,7.45,3.61,-4.35,4.0
26,1.05,-9.6,-4.81,8.79,-3.62,0.17,2.0
27,5.51,-7.98,4.42,10.96,-7.25,1.79,3.0
28,-3.42,-8.26,-6.39,4.53,-5.56,-3.63,2.0
29,-8.74,4.98,-4.1,5.47,9.37,3.16,0.0
30,-7.34,4.09,-4.65,0.86,10.33,5.27,0.0
Вопрос 6
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-5.166,9.408,6.117,2.316,-7.111,-7.482,0.0
1,-0.532,6.474,-7.774,0.592,1.965,-11.357,4.0
2,-0.853,8.611,-6.536,5.725,3.1,-10.785,4.0
3,-0.906,-1.561,-0.978,-6.841,-3.637,-1.109,3.0
4,-14.078,8.967,2.196,3.563,-9.405,5.423,1.0
5,-0.163,6.825,-3.84,2.392,-0.907,-10.947,4.0
6,-5.466,7.575,3.719,4.087,-6.192,-10.406,0.0
7,-4.722,6.622,6.265,4.686,-7.024,-4.873,0.0
8,-3.835,-6.816,3.281,-6.616,-3.656,-1.98,3.0
9,-8.828,6.854,-0.808,3.32,-10.274,7.794,1.0
10,-8.115,6.033,2.745,7.238,-9.66,12.527,1.0
11,-4.811,9.766,3.439,1.39,-8.083,-3.176,0.0
12,-1.861,8.244,3.286,3.197,-4.818,-5.018,0.0
13,-2.572,2.674,-6.9,1.997,2.276,-11.562,4.0
14,-7.008,7.981,0.963,5.188,-9.394,11.335,1.0
15,6.848,-6.76,-9.465,-6.195,-6.04,1.442,2.0
16,-3.14,-5.807,2.083,-6.528,-3.604,-1.018,3.0
17,-4.188,8.396,5.302,3.924,-7.838,-7.251,0.0
18,-9.278,8.038,4.978,3.125,-11.205,8.395,1.0
19,9.454,-8.557,-5.19,-1.951,-5.896,-0.637,2.0
20,-3.02,6.668,-6.453,1.713,2.795,-9.217,4.0
21,-2.721,-3.711,2.823,-8.639,-0.426,-1.725,3.0
22,0.566,-3.35,3.881,-3.417,-4.648,-4.18,3.0
23,-2.536,6.899,6.285,-0.469,-6.462,-10.799,0.0
24,2.811,-5.806,-6.243,-1.405,-4.3,1.098,2.0
25,-3.744,-2.862,0.288,-5.636,-1.84,-4.314,3.0
26,4.81,-2.653,-7.93,-6.976,-2.288,-1.967,2.0
27,-10.242,6.668,1.238,1.234,-8.996,9.92,1.0
28,0.151,6.731,-4.976,7.99,2.99,-6.8,4.0
29,6.579,-8.091,-4.078,-4.828,-2.333,-1.324,2.0
30,6.326,-4.945,-2.591,-5.983,-3.4,0.346,2.0
Вопрос 7
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,0.24,-5.682,-1.625,-0.428,4.249,7.545,1.0
1,-9.959,7.743,-4.534,5.54,5.431,-0.554,0.0
2,-2.365,-10.659,-5.232,-2.362,6.58,5.51,1.0
3,-9.211,1.786,-1.431,7.868,8.793,-1.01,0.0
4,5.443,-5.874,-0.048,7.284,3.927,-2.143,4.0
5,-1.404,-7.957,-2.309,8.759,-6.966,-1.682,2.0
6,-4.848,-8.315,-4.193,7.334,-7.029,2.538,2.0
7,12.344,-12.497,2.964,11.227,-6.787,2.136,3.0
8,-1.598,-11.568,-3.264,7.053,-2.879,-0.644,2.0
9,6.482,-11.126,0.377,9.387,-5.576,2.878,3.0
10,-0.37,-9.741,-5.231,2.591,6.644,7.414,1.0
11,8.653,-13.089,1.623,10.397,-3.21,4.399,3.0
12,-3.162,-10.373,-2.963,8.453,-5.884,0.605,2.0
13,7.459,-5.76,1.068,6.63,2.493,-0.989,4.0
14,-0.363,-12.115,-3.322,1.786,4.416,4.228,1.0
15,-8.565,2.697,-2.042,-0.107,11.659,-0.063,0.0
16,-10.882,8.522,2.301,3.81,11.241,0.41,0.0
17,1.12,-7.206,-4.656,-0.154,2.237,5.963,1.0
18,6.137,-10.532,1.464,7.356,-5.956,-2.102,3.0
19,6.302,-7.599,2.39,6.13,0.731,0.685,4.0
20,10.06,-7.042,-2.899,7.038,0.497,-3.332,4.0
21,4.542,-6.821,-5.315,-0.946,1.856,6.824,1.0
22,10.347,-8.951,-3.637,9.136,-0.441,0.628,4.0
23,4.72,-8.755,0.589,9.995,-6.456,-1.274,3.0
24,-7.935,4.549,2.592,4.944,9.763,1.275,0.0
25,7.226,-6.566,1.07,7.447,3.613,-4.353,4.0
26,1.054,-9.598,-4.813,8.791,-3.62,0.174,2.0
27,5.512,-7.985,4.424,10.964,-7.253,1.793,3.0
28,-3.423,-8.262,-6.393,4.527,-5.556,-3.631,2.0
29,-8.739,4.979,-4.102,5.473,9.37,3.156,0.0
30,-7.338,4.093,-4.648,0.863,10.326,5.265,0.0
Вопрос 8
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,4.121,-0.118,0.113,-5.552,-6.894,6.323,1.0
1,-3.567,8.839,-5.747,7.646,-0.225,2.023,0.0
2,-1.628,-5.881,-5.689,6.976,7.984,-9.639,4.0
3,7.042,1.527,-0.561,-4.611,-5.599,-3.831,3.0
4,5.38,2.527,-0.131,-3.903,-3.695,-3.885,3.0
5,-2.496,-7.945,-9.216,8.132,9.704,-3.937,4.0
6,-6.715,9.719,-6.08,12.892,1.081,2.484,0.0
7,-1.989,-8.459,9.454,-1.238,2.432,-2.659,2.0
8,-6.233,7.213,-3.039,8.815,-2.853,0.856,0.0
9,7.355,2.491,-5.485,-6.676,-9.907,3.346,1.0
10,-2.513,-6.914,-6.806,4.505,11.649,-7.86,4.0
11,-1.911,-11.332,4.211,-3.911,-2.533,-5.588,2.0
12,4.427,-0.596,-3.077,-5.245,-6.8,5.11,1.0
13,-5.165,10.084,-6.039,11.495,-0.843,1.279,0.0
14,1.728,-5.62,6.847,-7.362,-5.278,-5.574,2.0
15,-3.639,-5.38,7.691,-5.493,-0.083,-4.641,2.0
16,-1.777,-6.542,-8.679,11.092,9.253,-6.712,4.0
17,-5.845,-9.168,8.514,-0.042,-4.678,-4.112,2.0
18,8.961,-0.486,-6.393,-9.04,-6.64,4.365,1.0
19,-3.974,6.152,-5.878,8.17,-0.336,2.733,0.0
20,7.601,-0.635,-4.222,-7.631,-9.572,6.345,1.0
21,4.07,4.523,5.475,-1.753,-1.882,-6.198,3.0
22,7.696,0.221,-9.783,-4.667,-12.141,7.846,1.0
23,1.974,-0.64,2.996,-6.096,-1.419,-4.042,3.0
24,-5.359,8.126,-5.326,10.956,2.047,3.224,0.0
25,-0.624,3.351,1.811,-4.795,-6.085,-7.53,3.0
26,-1.536,-8.394,-6.974,8.83,7.128,-6.575,4.0
27,2.997,2.29,0.864,-3.856,-5.327,-3.894,3.0
28,-3.06,-7.06,-4.823,9.703,8.469,-2.009,4.0
29,-6.432,9.359,-6.347,6.724,0.904,2.26,0.0
30,-4.681,-5.573,8.595,-2.482,-3.408,0.963,2.0
Вопрос 9
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,1.119,6.993,-5.725,-8.844,-7.74,-1.772,3.0
1,6.674,8.636,-5.555,3.207,-4.657,7.525,4.0
2,-1.709,13.692,6.806,-4.709,0.894,0.177,2.0
3,1.925,8.381,-9.146,-6.105,-6.269,-2.508,3.0
4,3.43,12.222,-7.79,-5.06,-6.401,-3.648,3.0
5,-6.77,6.82,-3.401,6.926,5.638,-0.038,1.0
6,-3.414,7.668,10.722,-4.792,1.95,2.227,2.0
7,6.382,5.745,-11.509,-10.349,-9.772,-3.143,3.0
8,-1.23,6.578,6.408,-5.465,5.515,-0.341,2.0
9,-3.92,5.073,-6.008,5.136,4.977,2.485,1.0
10,-9.823,2.004,-2.491,9.357,2.376,0.28,1.0
11,0.774,11.008,8.214,-6.88,-1.023,4.898,2.0
12,-3.475,3.146,-2.727,3.048,4.313,4.267,1.0
13,-8.354,4.314,-6.48,6.206,6.114,0.481,1.0
14,7.221,-1.53,-5.293,1.52,1.136,5.819,0.0
15,1.483,10.019,-5.65,-4.242,-4.932,10.855,4.0
16,6.06,10.689,-1.649,-0.375,-4.884,7.536,4.0
17,8.871,-0.994,-5.256,-2.456,1.95,6.94,0.0
18,-8.8,5.709,-2.097,1.296,7.558,4.745,1.0
19,7.084,8.365,-7.276,0.833,-4.508,8.853,4.0
20,7.304,2.8,-6.023,2.353,2.535,4.41,0.0
21,3.18,7.674,-8.164,-10.403,-10.982,-5.108,3.0
22,-0.797,10.394,11.27,-5.641,4.574,1.42,2.0
23,5.722,9.282,-6.926,-1.083,-6.85,6.713,4.0
24,1.277,7.415,10.583,-4.896,1.724,5.035,2.0
25,5.414,2.47,-6.747,5.531,2.243,6.71,0.0
26,11.404,-2.879,-8.843,0.894,2.606,2.721,0.0
27,3.586,9.033,-9.205,-9.022,-10.762,-4.526,3.0
28,7.47,0.525,-3.701,-1.795,1.61,6.232,0.0
29,8.288,-4.824,-2.788,0.809,4.323,4.37,0.0
30,4.789,8.579,-4.472,0.4,-7.073,4.438,4.0
Вопрос 10
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,3.672,-5.043,-8.236,-3.135,1.911,8.775,3.0
1,-4.605,-6.15,5.826,-4.895,-2.685,-4.789,0.0
2,4.925,-4.178,-4.8,0.52,4.603,9.665,3.0
3,-2.456,3.7,8.275,0.319,8.581,-0.453,1.0
4,4.061,-0.167,-0.811,6.26,0.039,6.886,4.0
5,1.529,-10.986,7.055,-4.6,-3.217,-3.963,0.0
6,6.192,-8.745,-6.35,-1.537,4.286,10.923,3.0
7,0.597,0.779,6.073,0.242,9.872,1.707,1.0
8,10.443,-2.416,-7.416,-3.697,5.293,12.204,3.0
9,13.154,4.888,-9.0,8.72,-1.426,-8.249,2.0
10,10.189,2.167,-1.639,10.517,-3.158,5.408,4.0
11,0.259,-6.95,5.924,-5.124,0.113,-3.388,0.0
12,8.341,4.781,-8.303,5.648,-2.545,-8.327,2.0
13,6.059,3.65,4.353,8.291,-1.836,2.994,4.0
14,-1.828,-7.61,5.415,-2.861,-3.37,-4.585,0.0
15,8.561,-0.901,2.628,3.824,0.973,4.485,4.0
16,2.1,2.333,7.208,3.328,9.434,3.758,1.0
17,2.579,-9.946,6.856,-4.423,1.591,-4.275,0.0
18,3.142,3.016,-8.577,6.58,-2.85,-12.496,2.0
19,-1.786,-11.109,4.671,-8.32,1.823,-2.656,0.0
20,6.244,-2.266,3.88,4.206,-0.991,6.357,4.0
21,9.539,4.52,-9.22,8.261,-0.394,-8.381,2.0
22,2.806,-7.235,-7.343,-0.554,1.936,12.384,3.0
23,-5.234,2.445,2.15,2.486,11.367,5.455,1.0
24,-4.52,-8.474,2.922,-5.361,-0.843,-4.933,0.0
25,3.103,2.317,-10.556,7.66,-2.469,-6.88,2.0
26,-1.15,4.123,6.939,4.922,8.603,2.289,1.0
27,7.893,2.39,-9.578,7.813,-1.35,-4.978,2.0
28,6.053,-4.346,-6.1,-1.093,5.236,8.06,3.0
29,-3.099,2.883,6.599,1.691,5.923,2.361,1.0
30,7.278,2.546,3.563,8.371,1.399,8.689,4.0
Вопрос 11
С использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv. Последний столбец в загруженных данных отвечает за метку класса (столбец "C"), остальные столбцы отвечают за атрибуты (столбцы "A1", "A2", "A3"). Загруженные данные используются для построения дерева классификации. При этом применяется библиотека Sklearn, а построение дерева осуществляется по алгоритму CART. Требуется определить условие разбиения данных в корневом узле. Примеры записи ответов: "A3 <= -1.625" или "A2 <= -6.359".
Содержимое файла data.csv:
,A1,A2,A3,C
0,0.373,2.533,0.958,3.0
1,2.533,2.196,0.018,3.0
2,-3.16,-8.645,2.837,2.0
3,-1.957,2.856,1.895,2.0
4,-1.751,-4.78,-10.75,1.0
5,1.184,-1.87,1.808,2.0
6,4.402,8.0,3.725,0.0
7,6.883,10.871,4.922,0.0
8,3.227,-8.759,-9.495,1.0
9,-3.313,0.241,2.866,2.0
10,4.851,-5.853,-9.802,1.0
11,-2.105,1.348,1.846,2.0
12,5.976,2.298,4.406,4.0
13,7.853,11.952,8.289,0.0
14,-2.058,2.238,2.98,3.0
15,4.64,5.019,1.124,4.0
16,5.746,-2.185,2.497,4.0
17,-1.951,0.261,0.889,3.0
18,-0.574,-3.249,-1.455,2.0
19,-1.586,2.476,-0.054,3.0
20,9.144,8.092,6.186,0.0
21,7.658,4.722,2.701,4.0
22,4.081,8.184,6.381,0.0
23,3.956,1.761,2.42,4.0
24,-1.893,-4.225,-9.527,1.0
25,7.374,8.382,6.383,0.0
26,9.988,5.156,-1.977,4.0
27,7.053,8.324,4.674,0.0
28,3.629,2.506,2.069,3.0
29,0.398,-6.797,-12.369,1.0
30,0.799,-8.012,-10.23,1.0
Вопрос 12
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,0.24,-5.682,-1.625,-0.428,4.249,7.545,1.0
1,-9.959,7.743,-4.534,5.54,5.431,-0.554,0.0
2,-2.365,-10.659,-5.232,-2.362,6.58,5.51,1.0
3,-9.211,1.786,-1.431,7.868,8.793,-1.01,0.0
4,5.443,-5.874,-0.048,7.284,3.927,-2.143,4.0
5,-1.404,-7.957,-2.309,8.759,-6.966,-1.682,2.0
6,-4.848,-8.315,-4.193,7.334,-7.029,2.538,2.0
7,12.344,-12.497,2.964,11.227,-6.787,2.136,3.0
8,-1.598,-11.568,-3.264,7.053,-2.879,-0.644,2.0
9,6.482,-11.126,0.377,9.387,-5.576,2.878,3.0
10,-0.37,-9.741,-5.231,2.591,6.644,7.414,1.0
11,8.653,-13.089,1.623,10.397,-3.21,4.399,3.0
12,-3.162,-10.373,-2.963,8.453,-5.884,0.605,2.0
13,7.459,-5.76,1.068,6.63,2.493,-0.989,4.0
14,-0.363,-12.115,-3.322,1.786,4.416,4.228,1.0
15,-8.565,2.697,-2.042,-0.107,11.659,-0.063,0.0
16,-10.882,8.522,2.301,3.81,11.241,0.41,0.0
17,1.12,-7.206,-4.656,-0.154,2.237,5.963,1.0
18,6.137,-10.532,1.464,7.356,-5.956,-2.102,3.0
19,6.302,-7.599,2.39,6.13,0.731,0.685,4.0
20,10.06,-7.042,-2.899,7.038,0.497,-3.332,4.0
21,4.542,-6.821,-5.315,-0.946,1.856,6.824,1.0
22,10.347,-8.951,-3.637,9.136,-0.441,0.628,4.0
23,4.72,-8.755,0.589,9.995,-6.456,-1.274,3.0
24,-7.935,4.549,2.592,4.944,9.763,1.275,0.0
25,7.226,-6.566,1.07,7.447,3.613,-4.353,4.0
26,1.054,-9.598,-4.813,8.791,-3.62,0.174,2.0
27,5.512,-7.985,4.424,10.964,-7.253,1.793,3.0
28,-3.423,-8.262,-6.393,4.527,-5.556,-3.631,2.0
29,-8.739,4.979,-4.102,5.473,9.37,3.156,0.0
30,-7.338,4.093,-4.648,0.863,10.326,5.265,0.0
Вопрос 13
содержащихся в файле data.csv. Посредством анализа данных необходимо определить значение A5 первого элемента списка, полученного путем фильтрации данных по условиям А2 > 1 и A3 < 2 и сортировки данных в порядке возрастания по значению A4. Ответ записать в виде числа без округлений через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,11.19,-8.43,0.16,-2.37,4.9,-2.13,4.0
1,9.09,-8.93,0.82,-3.87,9.17,-1.91,4.0
2,-4.49,-3.19,8.2,-0.74,-8.17,-9.83,3.0
3,2.43,8.75,4.47,-5.46,-5.82,4.1,0.0
4,1.37,9.2,4.65,-7.62,-4.34,1.74,0.0
5,-8.2,-1.77,-1.09,-0.84,-12.12,11.33,1.0
6,-5.77,-3.79,3.24,-1.56,-9.82,10.13,1.0
7,10.15,-6.03,-5.38,-3.56,8.87,-2.1,4.0
8,11.89,-4.55,-3.11,-2.69,8.54,-2.73,4.0
9,12.22,-5.53,-1.35,-4.59,5.73,-2.87,4.0
10,-3.87,-2.91,6.4,3.77,-7.8,-9.45,3.0
11,-1.49,-3.14,5.22,1.05,-10.18,-6.63,3.0
12,-5.78,0.5,1.86,1.42,-9.61,6.26,1.0
13,3.67,-0.25,5.54,8.57,7.08,-8.89,2.0
14,8.35,-6.2,2.69,12.8,6.22,-9.95,2.0
15,-6.92,-2.19,2.16,-2.89,-10.31,9.7,1.0
16,-6.34,-3.37,5.97,1.45,-11.33,-12.88,3.0
17,0.02,11.32,5.81,-5.98,-4.17,3.19,0.0
18,5.03,-0.72,0.15,6.37,7.35,-8.23,2.0
19,-7.62,0.34,3.71,4.61,-12.11,7.7,1.0
20,-4.82,1.72,0.77,-3.78,-5.65,8.53,1.0
21,1.42,10.56,5.79,-6.26,-5.85,6.26,0.0
22,0.37,10.81,6.15,-3.53,-5.72,3.63,0.0
23,0.69,6.49,8.14,-3.44,-4.12,7.66,0.0
24,10.42,-7.13,3.14,5.06,8.21,-10.19,2.0
25,-1.97,-5.45,3.78,3.52,-7.76,-10.96,3.0
26,7.96,-0.79,-1.74,10.7,8.0,-9.93,2.0
27,5.8,-6.51,-2.99,8.9,7.59,-12.75,2.0
28,-5.19,-2.65,6.76,1.91,-7.41,-10.45,3.0
29,-0.75,7.58,0.3,-4.06,-4.37,3.68,0.0
30,9.03,-3.58,-2.4,-7.26,9.87,-1.08,4.0
Вопрос 14
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-7.537,-0.725,-8.433,6.89,6.713,1.924,2.0
1,-1.907,-7.939,-2.743,2.169,1.343,-4.065,0.0
2,-3.584,3.158,-6.273,-3.797,1.815,5.753,1.0
3,-0.539,-6.762,1.997,-2.982,-1.593,-2.309,0.0
4,4.42,-6.531,-0.832,-11.204,-1.188,-6.556,3.0
5,-0.848,-13.199,0.155,-1.558,-1.672,-2.741,0.0
6,-7.096,3.041,-3.414,-8.519,-7.896,-3.857,4.0
7,8.152,-7.56,2.341,-9.243,2.046,-8.964,3.0
8,-9.383,4.467,-3.246,-5.098,4.77,-4.104,1.0
9,-9.58,1.718,-9.181,-7.2,-6.225,-5.703,4.0
10,-11.226,2.203,-2.617,-8.73,2.044,0.428,1.0
11,-3.638,1.153,-7.75,4.54,6.429,-1.236,2.0
12,-7.214,4.07,-4.77,-4.53,0.225,3.752,1.0
13,-0.057,-9.386,-0.665,-1.118,0.408,-4.155,0.0
14,-7.753,4.938,-3.741,-10.035,-4.265,-1.534,4.0
15,-5.361,-9.389,-0.362,-4.172,-0.544,-1.923,0.0
16,-8.644,4.234,-2.809,-7.256,-6.502,-1.975,4.0
17,-6.831,3.087,-3.243,-3.531,2.831,3.396,1.0
18,8.324,-7.012,1.308,-8.687,-1.894,-12.209,3.0
19,-9.113,-0.91,-6.864,4.673,5.682,-1.973,2.0
20,-10.273,1.964,-5.315,5.96,4.242,-0.619,2.0
21,-4.258,4.882,-4.815,-7.432,5.157,3.019,1.0
22,7.661,-6.859,-0.624,-10.446,-0.645,-8.699,3.0
23,-5.71,2.797,-4.807,3.719,9.298,-3.645,2.0
24,-2.208,-2.675,-8.354,6.571,6.432,0.732,2.0
25,7.414,-7.412,8.322,-7.052,1.626,-12.041,3.0
26,-5.535,3.452,-7.748,-9.276,-8.037,0.605,4.0
27,3.838,-12.572,6.664,-6.753,2.148,-8.927,3.0
28,-2.031,-9.63,1.86,1.263,-2.862,-2.377,0.0
29,-4.123,-9.788,0.455,3.169,-6.462,-3.168,0.0
30,-5.798,3.196,-8.386,-8.537,-4.876,-1.759,4.0
Вопрос 15
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого, с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-3.863,-0.728,3.802,-1.497,-2.247,7.914,3.0
1,3.488,-4.003,-6.862,-2.646,8.789,0.707,0.0
2,-8.6,11.316,2.572,10.827,1.917,-1.055,1.0
3,-9.985,-1.117,-8.296,7.753,8.393,-2.771,2.0
4,1.66,4.427,3.747,-4.097,-0.961,9.372,3.0
5,1.869,-3.224,-3.016,-3.001,6.419,1.283,0.0
6,-3.626,4.136,3.622,-5.658,4.366,10.237,3.0
7,-6.662,9.44,5.262,12.704,-3.502,0.719,1.0
8,-9.8,-1.971,-6.532,7.019,7.156,-0.405,2.0
9,3.212,-1.309,-5.863,-6.61,11.66,-2.429,0.0
10,8.595,-8.764,-3.645,-3.025,6.308,9.28,4.0
11,0.709,2.498,6.624,-4.864,4.392,7.018,3.0
12,10.46,-9.331,-1.677,-4.391,5.584,7.117,4.0
13,2.858,-5.269,-10.955,-3.721,10.977,-4.319,0.0
14,9.477,-7.321,-2.246,-5.6,2.61,5.471,4.0
15,-8.423,4.824,-7.738,7.061,7.695,-3.186,2.0
16,-8.505,11.018,6.45,9.735,-3.032,3.899,1.0
17,-12.51,6.194,-4.002,6.811,6.944,-2.619,2.0
18,4.218,-5.037,-8.965,-3.214,6.999,-5.709,0.0
19,2.761,-4.58,-9.528,-3.072,9.385,-4.07,0.0
20,8.304,-7.202,-1.283,-0.792,4.443,4.316,4.0
21,7.529,-8.224,-5.104,-5.192,6.892,6.155,4.0
22,8.635,-10.139,-2.525,-3.926,5.187,7.9,4.0
23,-4.11,4.463,5.923,-6.001,1.019,8.083,3.0
24,-9.478,4.042,-8.332,7.11,6.497,-2.479,2.0
25,1.87,-3.175,-9.158,-4.151,5.574,0.451,0.0
26,-7.352,11.815,3.983,4.989,0.301,2.709,1.0
27,-6.958,9.009,4.157,10.711,-2.78,1.003,1.0
28,-2.827,-0.044,-6.152,9.987,9.428,1.951,2.0
29,-1.384,3.525,9.056,-5.97,2.965,12.334,3.0
30,-8.357,12.171,2.258,9.861,-4.328,3.938,1.0
Вопрос 16
С использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv. Последний столбец в загруженных данных отвечает за метку класса (столбец "C"), остальные столбцы отвечают за атрибуты (столбцы "A1", "A2", "A3"). Загруженные данные используются для построения дерева классификации. При этом применяется библиотека Sklearn, а построение дерева осуществляется по алгоритму CART. Требуется определить условие разбиения данных в корневом узле. Примеры записи ответов: "A3 <= -1.625" или "A2 <= -6.359".
Содержимое файла data.csv:
,A1,A2,A3,C
0,-8.883,-6.03,-7.48,2.0
1,-1.326,-7.798,1.586,3.0
2,3.168,-2.854,3.484,4.0
3,1.908,6.91,5.134,1.0
4,-0.944,-8.805,2.779,3.0
5,4.754,-3.028,1.781,4.0
6,-2.572,-7.122,-9.842,2.0
7,-9.586,-3.247,-7.218,2.0
8,-0.106,7.801,-3.869,0.0
9,2.514,-3.856,5.133,4.0
10,-3.249,7.392,7.189,1.0
11,1.812,0.905,-5.46,0.0
12,-1.937,-12.067,-0.409,3.0
13,1.588,3.422,-2.081,0.0
14,-1.391,2.755,-2.143,0.0
15,-0.221,7.994,5.06,1.0
16,-0.181,-7.9,1.591,3.0
17,-9.46,-2.904,-11.387,2.0
18,-1.168,-5.515,2.455,4.0
19,0.147,6.113,10.707,1.0
20,1.539,2.774,-8.231,0.0
21,-0.463,-8.85,-1.169,3.0
22,-1.763,5.929,5.082,1.0
23,2.462,-6.594,5.216,4.0
24,-4.952,-9.497,-7.449,2.0
25,-0.725,-7.982,0.773,3.0
26,0.321,4.296,-7.437,0.0
27,2.829,-1.463,0.568,4.0
28,-9.334,-4.174,-6.8,2.0
29,-3.41,8.368,10.054,1.0
30,-0.053,1.509,-2.846,0.0
Вопрос 17
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить значение A5 первого элемента списка, полученного путем фильтрации данных по условиям А2 > 1 и A3 < 2 и сортировки данных в порядке возрастания по значению A4. Ответ записать в виде числа без округлений через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-1.84,-5.72,5.4,-0.73,1.34,3.53,1.0
1,-1.17,-1.52,1.31,-2.73,4.16,1.59,1.0
2,5.07,3.31,2.26,0.63,-6.84,8.14,2.0
3,7.34,8.95,10.08,-0.6,-5.69,-8.92,0.0
4,7.76,9.52,7.07,1.72,-1.94,-7.76,0.0
5,-6.07,-3.55,-2.17,12.05,-1.03,9.2,4.0
6,-6.2,-3.73,-11.74,11.93,-6.47,-5.56,3.0
7,0.43,6.56,5.77,-1.03,-4.62,10.48,2.0
8,-1.86,-0.34,-7.46,10.97,-7.35,-2.02,3.0
9,4.18,8.4,8.45,2.95,-5.02,-11.12,0.0
10,-12.52,-6.16,-1.86,7.16,-3.04,12.97,4.0
11,-4.35,-5.97,-10.5,8.61,-7.29,-8.25,3.0
12,5.39,9.22,2.0,-1.85,-2.51,10.09,2.0
13,-2.61,-0.09,1.17,-2.34,1.41,0.87,1.0
14,4.86,0.75,-0.03,-0.63,-5.0,6.36,2.0
15,-11.13,-7.85,-2.07,7.77,-2.01,9.36,4.0
16,4.06,6.73,1.29,-2.92,-5.36,6.7,2.0
17,-7.4,-7.37,-1.38,9.76,-4.52,10.44,4.0
18,-4.71,-8.05,-3.44,10.95,-7.46,11.29,4.0
19,-3.45,-10.49,-9.35,10.6,-9.21,-5.45,3.0
20,1.2,11.65,3.64,-2.94,-5.09,-12.47,0.0
21,-3.13,-5.72,-9.18,7.05,-8.6,-5.09,3.0
22,-0.72,-1.2,1.88,-2.83,1.11,-0.98,1.0
23,-3.96,-5.31,-7.96,10.17,-4.59,-1.7,3.0
24,7.9,9.31,-1.29,-0.67,-0.95,9.03,2.0
25,10.35,8.93,7.45,0.98,-5.47,-10.86,0.0
26,10.58,10.76,5.76,-2.67,-4.68,-7.32,0.0
27,-0.4,-4.62,-3.93,-1.3,6.2,3.17,1.0
28,-6.94,-2.81,-4.88,7.94,-0.43,8.04,4.0
29,8.42,7.04,6.38,-0.2,-7.21,-9.6,0.0
30,-1.2,1.8,1.52,1.16,0.49,1.62,1.0
Вопрос 18
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-1.844,-5.724,5.399,-0.726,1.338,3.529,1.0
1,-1.171,-1.522,1.312,-2.735,4.157,1.589,1.0
2,5.073,3.31,2.263,0.627,-6.838,8.14,2.0
3,7.337,8.954,10.078,-0.597,-5.694,-8.924,0.0
4,7.756,9.522,7.073,1.719,-1.941,-7.76,0.0
5,-6.067,-3.552,-2.172,12.055,-1.027,9.196,4.0
6,-6.203,-3.726,-11.737,11.931,-6.474,-5.561,3.0
7,0.427,6.556,5.77,-1.031,-4.622,10.476,2.0
8,-1.855,-0.338,-7.46,10.973,-7.351,-2.017,3.0
9,4.177,8.404,8.455,2.949,-5.022,-11.118,0.0
10,-12.519,-6.159,-1.859,7.161,-3.041,12.971,4.0
11,-4.346,-5.967,-10.505,8.612,-7.295,-8.251,3.0
12,5.387,9.22,2.005,-1.851,-2.511,10.092,2.0
13,-2.612,-0.092,1.167,-2.336,1.411,0.869,1.0
14,4.855,0.748,-0.027,-0.63,-4.996,6.364,2.0
15,-11.13,-7.85,-2.068,7.775,-2.005,9.357,4.0
16,4.062,6.732,1.287,-2.924,-5.362,6.697,2.0
17,-7.395,-7.371,-1.376,9.762,-4.519,10.444,4.0
18,-4.711,-8.054,-3.441,10.949,-7.459,11.293,4.0
19,-3.446,-10.493,-9.346,10.603,-9.213,-5.445,3.0
20,1.199,11.65,3.644,-2.941,-5.09,-12.474,0.0
21,-3.125,-5.717,-9.179,7.047,-8.595,-5.086,3.0
22,-0.721,-1.203,1.881,-2.834,1.11,-0.975,1.0
23,-3.961,-5.308,-7.962,10.168,-4.591,-1.703,3.0
24,7.901,9.31,-1.287,-0.668,-0.954,9.032,2.0
25,10.354,8.928,7.446,0.981,-5.471,-10.855,0.0
26,10.577,10.765,5.761,-2.669,-4.684,-7.322,0.0
27,-0.398,-4.616,-3.928,-1.304,6.197,3.168,1.0
28,-6.942,-2.812,-4.877,7.942,-0.428,8.04,4.0
29,8.418,7.042,6.382,-0.2,-7.214,-9.603,0.0
30,-1.198,1.801,1.521,1.165,0.495,1.624,1.0
Вопрос 19
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-9.538,-4.056,-9.28,2.355,-8.435,0.489,1.0
1,-2.231,5.456,-4.894,-3.27,6.666,6.749,0.0
2,-6.202,-5.357,-11.762,1.6,-12.144,-0.386,1.0
3,4.87,7.996,-4.063,-6.615,-2.884,9.03,4.0
4,-4.559,0.785,-5.762,5.326,-0.339,-7.161,3.0
5,2.647,-0.612,5.155,0.777,-8.403,0.22,2.0
6,0.856,6.573,-2.335,-2.828,0.054,8.507,4.0
7,-4.81,-0.849,-5.78,3.793,-1.472,-4.868,3.0
8,2.971,6.87,-0.414,-4.173,-3.263,8.482,4.0
9,-0.592,-0.675,-6.029,-1.831,10.107,7.662,0.0
10,1.922,-5.891,4.815,2.443,-10.554,0.799,2.0
11,3.434,-3.856,3.37,2.369,-10.817,-0.298,2.0
12,-7.788,1.119,-6.471,4.604,0.535,-8.16,3.0
13,-0.732,4.222,-8.678,-0.319,9.885,9.631,0.0
14,1.669,4.832,-5.047,-1.739,-3.16,12.709,4.0
15,-5.74,-8.442,-9.13,-0.055,-6.936,-0.565,1.0
16,-0.333,4.464,-3.876,-1.912,8.735,11.804,0.0
17,-6.407,-1.552,-4.852,1.267,4.161,-7.005,3.0
18,2.15,-2.981,2.145,2.79,-7.817,2.15,2.0
19,-0.19,0.334,-2.086,2.884,7.464,11.475,0.0
20,-6.26,-7.531,-8.681,1.152,-9.451,-2.641,1.0
21,-13.32,-7.799,-10.153,-2.217,-11.322,-0.109,1.0
22,-3.143,-0.714,-6.054,6.006,-3.633,-6.743,3.0
23,-0.522,3.703,-2.692,4.169,5.371,6.673,0.0
24,3.232,6.402,-1.207,-2.02,9.551,4.204,0.0
25,-0.284,2.513,-4.128,-5.065,-1.349,7.162,4.0
26,-3.168,3.685,-5.913,-5.02,-0.945,7.607,4.0
27,-5.677,-2.779,-4.588,0.618,-3.662,-7.144,3.0
28,1.314,-1.74,2.169,2.67,-11.027,-2.311,2.0
29,2.068,-2.712,2.475,-1.534,-11.333,1.354,2.0
30,-8.638,-6.074,-7.613,-2.895,-10.003,3.453,1.0
Вопрос 20
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,3.672,-5.043,-8.236,-3.135,1.911,8.775,3.0
1,-4.605,-6.15,5.826,-4.895,-2.685,-4.789,0.0
2,4.925,-4.178,-4.8,0.52,4.603,9.665,3.0
3,-2.456,3.7,8.275,0.319,8.581,-0.453,1.0
4,4.061,-0.167,-0.811,6.26,0.039,6.886,4.0
5,1.529,-10.986,7.055,-4.6,-3.217,-3.963,0.0
6,6.192,-8.745,-6.35,-1.537,4.286,10.923,3.0
7,0.597,0.779,6.073,0.242,9.872,1.707,1.0
8,10.443,-2.416,-7.416,-3.697,5.293,12.204,3.0
9,13.154,4.888,-9.0,8.72,-1.426,-8.249,2.0
10,10.189,2.167,-1.639,10.517,-3.158,5.408,4.0
11,0.259,-6.95,5.924,-5.124,0.113,-3.388,0.0
12,8.341,4.781,-8.303,5.648,-2.545,-8.327,2.0
13,6.059,3.65,4.353,8.291,-1.836,2.994,4.0
14,-1.828,-7.61,5.415,-2.861,-3.37,-4.585,0.0
15,8.561,-0.901,2.628,3.824,0.973,4.485,4.0
16,2.1,2.333,7.208,3.328,9.434,3.758,1.0
17,2.579,-9.946,6.856,-4.423,1.591,-4.275,0.0
18,3.142,3.016,-8.577,6.58,-2.85,-12.496,2.0
19,-1.786,-11.109,4.671,-8.32,1.823,-2.656,0.0
20,6.244,-2.266,3.88,4.206,-0.991,6.357,4.0
21,9.539,4.52,-9.22,8.261,-0.394,-8.381,2.0
22,2.806,-7.235,-7.343,-0.554,1.936,12.384,3.0
23,-5.234,2.445,2.15,2.486,11.367,5.455,1.0
24,-4.52,-8.474,2.922,-5.361,-0.843,-4.933,0.0
25,3.103,2.317,-10.556,7.66,-2.469,-6.88,2.0
26,-1.15,4.123,6.939,4.922,8.603,2.289,1.0
27,7.893,2.39,-9.578,7.813,-1.35,-4.978,2.0
28,6.053,-4.346,-6.1,-1.093,5.236,8.06,3.0
29,-3.099,2.883,6.599,1.691,5.923,2.361,1.0
30,7.278,2.546,3.563,8.371,1.399,8.689,4.0
Промежуточный тест 2
Вопрос 1
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.69 0.48 -0.47 0.07].
Вопрос 2
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».
Содержимое файла data.csv:
,X,Y
0,1.244,-1.716
1,0.579,-1.25
2,-1.29,-8.894
3,-1.011,-9.78
4,-2.497,-9.425
5,0.836,-0.908
6,-1.004,-8.335
7,-1.45,-9.6
8,0.676,-1.039
9,-1.991,-9.558
10,-1.029,-10.104
11,1.21,-0.654
12,-1.152,-9.976
13,-1.809,-9.936
14,0.805,-1.331
15,1.493,-1.484
16,1.299,-1.27
17,-1.719,-9.56
18,-2.177,-9.902
19,-1.259,-10.04
20,0.784,-1.36
21,0.059,-0.428
22,1.727,-1.461
23,0.973,-1.131
24,-1.599,-10.075
25,-1.654,-9.477
26,-1.415,-8.366
27,1.178,-0.614
28,0.993,-1.022
29,1.101,-2.223
Вопрос 3
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить количество объектов в каждом кластере. При записи ответа значения приводить в порядке убывания. Примеры записи ответов: «20, 10» или «12, 11».
Содержимое файла data.csv:
,X,Y
0,1.554,0.697
1,-0.063,-0.542
2,-0.811,-1.643
3,-1.123,-0.664
4,-0.156,0.551
5,-2.296,2.41
6,-3.135,1.14
7,0.091,1.091
8,1.702,1.006
9,-1.183,1.916
10,-1.646,-0.484
11,0.331,1.225
12,0.144,0.076
13,0.128,-1.351
14,0.535,1.166
15,1.443,-0.221
16,-0.174,0.424
17,0.475,-1.165
18,-1.87,-1.779
19,0.86,-0.231
20,-1.947,-1.386
21,-0.378,-0.792
22,1.347,-0.607
23,0.162,-0.673
24,-0.501,-0.409
25,-0.066,-0.209
26,0.795,0.976
27,0.031,0.182
28,-0.934,0.085
29,1.728,2.205
Вопрос 4
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.97 0.78 -0.43 -0.4].
Вопрос 5
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить количество объектов в каждом кластере. При записи ответа значения приводить в порядке убывания. Примеры записи ответов: «20, 10» или «12, 11».
Содержимое файла data.csv:
,X,Y
0,-0.115,2.242
1,-0.807,2.872
2,0.232,0.868
3,-1.154,-2.213
4,0.753,-1.535
5,-0.528,-0.039
6,-0.572,-0.106
7,-0.338,-0.585
8,-1.682,-1.788
9,1.013,-0.914
10,0.005,-0.12
11,-2.219,-0.647
12,-0.254,0.073
13,0.215,-0.384
14,1.342,-0.122
15,1.336,0.319
16,0.473,-0.681
17,0.051,-0.143
18,1.096,-1.215
19,-0.997,-0.714
20,0.502,0.139
21,-3.147,0.535
22,0.16,-0.716
23,0.242,-1.701
24,-1.148,2.114
25,0.035,-0.678
26,-1.03,1.21
27,0.641,0.527
28,-0.598,0.472
29,1.001,-0.051
Вопрос 6
Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».
Исходные данные:
W = [0.5 0.5 0.5 0.5 0.5], b = 0.5
A1 = [0.48 -0.92 -0.15 -0.35 0.55], D1 = -1
A2 = [-0.2 -0.87 0.9 -0.5 0.92], D2 = 1
A3 = [0.25 0.03 -0.88 0.94 -0.5 ], D3 = 1
Вопрос 7
Требуется рассчитать выходной сигнал одного нейрона с функцией активации сигмоид для заданного вектора входных сигналов X. Значения входных весовых коэффициентов равны 0,5, смещение равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.16 -0.27 -0.63 0.04 -0.98 0.94 0.6 0.51 0.34 -0.94].
Вопрос 8
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.13 -0.95 0.1 -0.13].
Вопрос 9
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.41 0.06 -0.62 -0.86].
Вопрос 10
Требуется рассчитать выходной сигнал одного нейрона с функцией активации сигмоид для заданного вектора входных сигналов X. Значения входных весовых коэффициентов равны 0,5, смещение равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.01 -0.54 -0.49 -0.21 -0.25 0.99 -0.18 0.54 0.52 -0.38].
Вопрос 11
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».
Содержимое файла data.csv:
,X,Y
0,2.014,8.157
1,7.721,7.068
2,1.924,7.708
3,2.288,8.157
4,1.941,6.783
5,8.154,6.613
6,1.22,8.234
7,7.363,5.51
8,7.529,7.089
9,1.641,7.889
10,1.123,8.077
11,7.553,6.318
12,1.827,6.921
13,7.661,6.477
14,1.741,8.738
15,7.089,5.889
16,2.232,7.465
17,1.367,7.533
18,7.416,6.374
19,8.094,5.541
20,8.433,6.993
21,2.323,8.621
22,1.708,8.732
23,7.995,5.748
24,8.297,7.347
25,8.259,7.057
26,8.077,4.965
27,1.32,7.402
28,1.678,6.359
29,8.05,6.996
Вопрос 12
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».
Содержимое файла data.csv:
,X,Y
0,0.134,-5.668
1,-0.159,-4.861
2,-4.032,-8.337
3,-5.097,-7.976
4,-0.109,-5.317
5,0.229,-5.927
6,-0.585,-5.189
7,-0.279,-4.604
8,-0.339,-4.814
9,-5.005,-8.143
10,-4.452,-7.995
11,-0.128,-4.544
12,-4.355,-7.544
13,-0.407,-5.747
14,-4.374,-7.872
15,-0.005,-4.672
16,-5.118,-8.872
17,-0.04,-5.482
18,-0.441,-4.682
19,-4.653,-7.372
20,-4.189,-7.477
21,-3.967,-8.718
22,-5.17,-7.566
23,0.387,-4.884
24,-5.729,-7.691
25,-4.756,-8.908
26,-0.097,-5.321
27,-5.149,-8.407
28,-3.692,-7.729
29,0.166,-5.194
Вопрос 13
Требуется рассчитать выходной сигнал одного нейрона с функцией активации сигмоид для заданного вектора входных сигналов X. Значения входных весовых коэффициентов равны 0,5, смещение равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [0.1 0.42 -0.42 0.02 0.79 0.79 -0.75 -0.59 -0.9 -0.12].
Вопрос 14
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».
Содержимое файла data.csv:
,X,Y
0,-3.62,0.151
1,0.423,4.06
2,0.504,3.806
3,0.632,4.048
4,1.041,3.961
5,-4.584,-0.993
6,0.877,3.986
7,-3.658,0.883
8,-4.619,0.231
9,1.759,4.281
10,-3.438,-0.343
11,1.329,4.083
12,0.743,3.39
13,-4.281,1.104
14,0.394,3.85
15,1.457,5.018
16,-5.306,0.083
17,-3.759,-0.714
18,-4.48,-0.078
19,-3.675,0.643
20,-4.483,-0.741
21,1.388,5.151
22,0.359,4.605
23,0.975,3.849
24,-4.994,0.54
25,1.507,3.612
26,0.994,3.924
27,-3.628,0.776
28,-4.644,-0.295
29,-4.36,-0.655
Вопрос 15
Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».
Исходные данные:
W = [0.5 0.5 0.5 0.5 0.5], b = 0.5
A1 = [-0.16 -0.27 -0.63 0.04 -0.98], D1 = -1
A2 = [0.94 0.6 0.51 0.34 -0.94], D2 = 1
A3 = [-0.22 -0.19 -0.62 0.53 0.23], D3 = 1
Вопрос 16
Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».
Исходные данные:
W = [0.5 0.5 0.5 0.5 0.5], b = 0.5
A1 = [0.18 0.8 0.78 0.63 -0.93], D1 = -1
A2 = [0.38 -0.24 0.04 0.32 -0.61], D2 = 1
A3 = [-0.46 0.44 0.57 0.7 0.55], D3 = 1
Вопрос 17
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить количество объектов в каждом кластере. При записи ответа значения приводить в порядке убывания. Примеры записи ответов: «20, 10» или «12, 11».
Содержимое файла data.csv:
,X,Y
0,0.503,0.406
1,-0.243,-0.13
2,-0.792,-0.842
3,0.323,-0.493
4,0.933,2.06
5,-0.602,1.545
6,-0.109,1.556
7,-0.338,0.321
8,0.884,0.196
9,-0.885,-1.105
10,-1.28,0.246
11,0.129,-2.067
12,0.493,-2.704
13,-0.935,-1.613
14,-0.555,0.002
15,0.647,0.593
16,0.857,1.481
17,-0.044,1.568
18,-1.482,-0.856
19,-0.169,-3.19
20,0.939,-0.978
21,0.527,-1.551
22,-0.22,1.503
23,0.438,1.358
24,0.358,-2.343
25,1.12,1.333
26,1.205,1.352
27,0.33,-1.137
28,1.051,0.406
29,-1.085,0.56
Вопрос 18
Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».
Исходные данные:
W = [0.5 0.5 0.5 0.5 0.5], b = 0.5
A1 = [-0.01 -0.54 -0.49 -0.21 -0.25], D1 = -1
A2 = [0.99 -0.18 0.54 0.52 -0.38], D2 = 1
A3 = [-0.31 -0.3 -0.71 0.95 0.82], D3 = 1
Вопрос 19
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [0.48 -0.92 -0.15 -0.35].
Вопрос 20
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.01 -0.54 -0.49 -0.21].
Промежуточный тест 1
Вопрос 1
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,2.633,-7.467,5.521,-6.238,-3.083,-6.292,4.0
1,3.146,-7.019,8.152,10.391,10.584,4.793,3.0
2,7.686,-0.958,-9.244,0.877,-8.494,3.308,1.0
3,0.665,-2.69,3.166,-10.601,-5.063,-9.076,0.0
4,0.276,-1.714,-2.431,8.868,-7.584,-4.469,2.0
5,-6.178,-6.399,4.75,-12.165,-6.088,-8.873,0.0
6,3.952,-8.63,3.13,-6.846,-5.035,-4.611,4.0
7,6.267,-5.495,3.346,-3.049,-5.301,-3.046,4.0
8,6.706,-5.176,10.452,-7.856,-3.538,-7.87,4.0
9,-5.161,-3.88,5.128,-7.103,-1.03,-10.984,0.0
10,1.692,0.22,-2.13,11.117,-4.75,-2.72,2.0
11,12.052,1.428,-10.937,6.855,-9.675,-1.712,1.0
12,6.153,-6.56,5.687,-7.055,-0.801,-4.126,4.0
13,7.247,-4.124,7.503,9.767,6.615,3.573,3.0
14,-6.919,-5.842,7.3,-7.069,-0.673,-10.441,0.0
15,-5.508,-5.695,2.981,-10.872,-1.363,-9.624,0.0
16,6.362,-4.559,6.747,10.707,6.929,5.154,3.0
17,10.396,0.935,-9.594,4.968,-10.137,-3.967,1.0
18,0.229,-1.921,0.228,9.228,-6.102,-7.176,2.0
19,5.889,-2.322,5.891,7.873,8.017,5.447,3.0
20,-3.547,-6.701,1.123,-9.219,-4.005,-10.275,0.0
21,0.97,-0.271,-4.015,7.964,-6.377,-5.641,2.0
22,-1.052,2.881,-0.547,10.742,-7.05,-3.836,2.0
23,12.027,0.393,-8.534,3.843,-13.178,-1.664,1.0
24,5.569,-2.643,8.993,11.397,7.238,7.163,3.0
25,5.153,-7.739,5.136,-5.474,-5.492,-5.41,4.0
26,12.792,-0.254,-13.098,0.961,-10.18,-2.637,1.0
27,0.041,-0.116,0.109,9.516,-7.602,-2.36,2.0
28,7.357,-7.2,8.941,7.643,8.674,2.903,3.0
29,10.292,2.295,-7.7,6.613,-8.043,-2.06,1.0
30,-1.64,-6.39,7.038,-5.304,-2.271,-6.507,0.0
Вопрос 2
С использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv. Последний столбец в загруженных данных отвечает за метку класса (столбец "C"), остальные столбцы отвечают за атрибуты (столбцы "A1", "A2", "A3"). Загруженные данные используются для построения дерева классификации. При этом применяется библиотека Sklearn, а построение дерева осуществляется по алгоритму CART. Требуется определить условие разбиения данных в корневом узле. Примеры записи ответов: "A3 <= -1.625" или "A2 <= -6.359".
Содержимое файла data.csv:
,A1,A2,A3,C
0,-4.047,3.087,-6.967,0.0
1,5.313,4.308,7.293,4.0
2,-0.976,-3.198,-6.213,2.0
3,-2.833,-10.066,4.332,3.0
4,-9.155,8.265,-8.149,0.0
5,-3.25,-8.346,4.167,3.0
6,-4.551,-3.889,-3.589,2.0
7,-5.549,-4.164,-8.394,2.0
8,-1.18,-8.23,2.968,3.0
9,2.186,-10.896,2.081,3.0
10,-7.647,6.451,-9.576,0.0
11,1.185,-7.726,11.414,1.0
12,6.955,1.687,4.414,4.0
13,-9.534,5.214,-10.527,0.0
14,6.475,2.036,10.378,4.0
15,-1.117,-3.758,-6.909,2.0
16,8.85,3.108,6.057,4.0
17,-10.352,4.608,-6.186,0.0
18,4.799,-8.842,8.292,1.0
19,-13.45,4.501,-9.081,0.0
20,7.514,-0.704,5.859,4.0
21,9.024,0.987,10.13,4.0
22,2.705,-9.584,7.747,1.0
23,1.775,-10.918,8.885,1.0
24,0.345,-9.832,4.133,3.0
25,-1.926,-7.379,0.329,3.0
26,-10.321,7.164,-9.168,0.0
27,-5.17,-3.748,-5.403,2.0
28,2.172,-10.424,9.551,1.0
29,3.977,-10.931,7.071,1.0
30,-3.64,-0.263,-4.57,2.0
Вопрос 3
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-1.844,-5.724,5.399,-0.726,1.338,3.529,1.0
1,-1.171,-1.522,1.312,-2.735,4.157,1.589,1.0
2,5.073,3.31,2.263,0.627,-6.838,8.14,2.0
3,7.337,8.954,10.078,-0.597,-5.694,-8.924,0.0
4,7.756,9.522,7.073,1.719,-1.941,-7.76,0.0
5,-6.067,-3.552,-2.172,12.055,-1.027,9.196,4.0
6,-6.203,-3.726,-11.737,11.931,-6.474,-5.561,3.0
7,0.427,6.556,5.77,-1.031,-4.622,10.476,2.0
8,-1.855,-0.338,-7.46,10.973,-7.351,-2.017,3.0
9,4.177,8.404,8.455,2.949,-5.022,-11.118,0.0
10,-12.519,-6.159,-1.859,7.161,-3.041,12.971,4.0
11,-4.346,-5.967,-10.505,8.612,-7.295,-8.251,3.0
12,5.387,9.22,2.005,-1.851,-2.511,10.092,2.0
13,-2.612,-0.092,1.167,-2.336,1.411,0.869,1.0
14,4.855,0.748,-0.027,-0.63,-4.996,6.364,2.0
15,-11.13,-7.85,-2.068,7.775,-2.005,9.357,4.0
16,4.062,6.732,1.287,-2.924,-5.362,6.697,2.0
17,-7.395,-7.371,-1.376,9.762,-4.519,10.444,4.0
18,-4.711,-8.054,-3.441,10.949,-7.459,11.293,4.0
19,-3.446,-10.493,-9.346,10.603,-9.213,-5.445,3.0
20,1.199,11.65,3.644,-2.941,-5.09,-12.474,0.0
21,-3.125,-5.717,-9.179,7.047,-8.595,-5.086,3.0
22,-0.721,-1.203,1.881,-2.834,1.11,-0.975,1.0
23,-3.961,-5.308,-7.962,10.168,-4.591,-1.703,3.0
24,7.901,9.31,-1.287,-0.668,-0.954,9.032,2.0
25,10.354,8.928,7.446,0.981,-5.471,-10.855,0.0
26,10.577,10.765,5.761,-2.669,-4.684,-7.322,0.0
27,-0.398,-4.616,-3.928,-1.304,6.197,3.168,1.0
28,-6.942,-2.812,-4.877,7.942,-0.428,8.04,4.0
29,8.418,7.042,6.382,-0.2,-7.214,-9.603,0.0
30,-1.198,1.801,1.521,1.165,0.495,1.624,1.0
Вопрос 4
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-5.166,9.408,6.117,2.316,-7.111,-7.482,0.0
1,-0.532,6.474,-7.774,0.592,1.965,-11.357,4.0
2,-0.853,8.611,-6.536,5.725,3.1,-10.785,4.0
3,-0.906,-1.561,-0.978,-6.841,-3.637,-1.109,3.0
4,-14.078,8.967,2.196,3.563,-9.405,5.423,1.0
5,-0.163,6.825,-3.84,2.392,-0.907,-10.947,4.0
6,-5.466,7.575,3.719,4.087,-6.192,-10.406,0.0
7,-4.722,6.622,6.265,4.686,-7.024,-4.873,0.0
8,-3.835,-6.816,3.281,-6.616,-3.656,-1.98,3.0
9,-8.828,6.854,-0.808,3.32,-10.274,7.794,1.0
10,-8.115,6.033,2.745,7.238,-9.66,12.527,1.0
11,-4.811,9.766,3.439,1.39,-8.083,-3.176,0.0
12,-1.861,8.244,3.286,3.197,-4.818,-5.018,0.0
13,-2.572,2.674,-6.9,1.997,2.276,-11.562,4.0
14,-7.008,7.981,0.963,5.188,-9.394,11.335,1.0
15,6.848,-6.76,-9.465,-6.195,-6.04,1.442,2.0
16,-3.14,-5.807,2.083,-6.528,-3.604,-1.018,3.0
17,-4.188,8.396,5.302,3.924,-7.838,-7.251,0.0
18,-9.278,8.038,4.978,3.125,-11.205,8.395,1.0
19,9.454,-8.557,-5.19,-1.951,-5.896,-0.637,2.0
20,-3.02,6.668,-6.453,1.713,2.795,-9.217,4.0
21,-2.721,-3.711,2.823,-8.639,-0.426,-1.725,3.0
22,0.566,-3.35,3.881,-3.417,-4.648,-4.18,3.0
23,-2.536,6.899,6.285,-0.469,-6.462,-10.799,0.0
24,2.811,-5.806,-6.243,-1.405,-4.3,1.098,2.0
25,-3.744,-2.862,0.288,-5.636,-1.84,-4.314,3.0
26,4.81,-2.653,-7.93,-6.976,-2.288,-1.967,2.0
27,-10.242,6.668,1.238,1.234,-8.996,9.92,1.0
28,0.151,6.731,-4.976,7.99,2.99,-6.8,4.0
29,6.579,-8.091,-4.078,-4.828,-2.333,-1.324,2.0
30,6.326,-4.945,-2.591,-5.983,-3.4,0.346,2.0
Вопрос 5
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить значение A5 первого элемента списка, полученного путем фильтрации данных по условиям А2 > 1 и A3 < 2 и сортировки данных в порядке возрастания по значению A4. Ответ записать в виде числа без округлений через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,0.24,-5.68,-1.62,-0.43,4.25,7.54,1.0
1,-9.96,7.74,-4.53,5.54,5.43,-0.55,0.0
2,-2.36,-10.66,-5.23,-2.36,6.58,5.51,1.0
3,-9.21,1.79,-1.43,7.87,8.79,-1.01,0.0
4,5.44,-5.87,-0.05,7.28,3.93,-2.14,4.0
5,-1.4,-7.96,-2.31,8.76,-6.97,-1.68,2.0
6,-4.85,-8.32,-4.19,7.33,-7.03,2.54,2.0
7,12.34,-12.5,2.96,11.23,-6.79,2.14,3.0
8,-1.6,-11.57,-3.26,7.05,-2.88,-0.64,2.0
9,6.48,-11.13,0.38,9.39,-5.58,2.88,3.0
10,-0.37,-9.74,-5.23,2.59,6.64,7.41,1.0
11,8.65,-13.09,1.62,10.4,-3.21,4.4,3.0
12,-3.16,-10.37,-2.96,8.45,-5.88,0.61,2.0
13,7.46,-5.76,1.07,6.63,2.49,-0.99,4.0
14,-0.36,-12.12,-3.32,1.79,4.42,4.23,1.0
15,-8.56,2.7,-2.04,-0.11,11.66,-0.06,0.0
16,-10.88,8.52,2.3,3.81,11.24,0.41,0.0
17,1.12,-7.21,-4.66,-0.15,2.24,5.96,1.0
18,6.14,-10.53,1.46,7.36,-5.96,-2.1,3.0
19,6.3,-7.6,2.39,6.13,0.73,0.69,4.0
20,10.06,-7.04,-2.9,7.04,0.5,-3.33,4.0
21,4.54,-6.82,-5.32,-0.95,1.86,6.82,1.0
22,10.35,-8.95,-3.64,9.14,-0.44,0.63,4.0
23,4.72,-8.76,0.59,9.99,-6.46,-1.27,3.0
24,-7.94,4.55,2.59,4.94,9.76,1.28,0.0
25,7.23,-6.57,1.07,7.45,3.61,-4.35,4.0
26,1.05,-9.6,-4.81,8.79,-3.62,0.17,2.0
27,5.51,-7.98,4.42,10.96,-7.25,1.79,3.0
28,-3.42,-8.26,-6.39,4.53,-5.56,-3.63,2.0
29,-8.74,4.98,-4.1,5.47,9.37,3.16,0.0
30,-7.34,4.09,-4.65,0.86,10.33,5.27,0.0
Вопрос 6
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-5.166,9.408,6.117,2.316,-7.111,-7.482,0.0
1,-0.532,6.474,-7.774,0.592,1.965,-11.357,4.0
2,-0.853,8.611,-6.536,5.725,3.1,-10.785,4.0
3,-0.906,-1.561,-0.978,-6.841,-3.637,-1.109,3.0
4,-14.078,8.967,2.196,3.563,-9.405,5.423,1.0
5,-0.163,6.825,-3.84,2.392,-0.907,-10.947,4.0
6,-5.466,7.575,3.719,4.087,-6.192,-10.406,0.0
7,-4.722,6.622,6.265,4.686,-7.024,-4.873,0.0
8,-3.835,-6.816,3.281,-6.616,-3.656,-1.98,3.0
9,-8.828,6.854,-0.808,3.32,-10.274,7.794,1.0
10,-8.115,6.033,2.745,7.238,-9.66,12.527,1.0
11,-4.811,9.766,3.439,1.39,-8.083,-3.176,0.0
12,-1.861,8.244,3.286,3.197,-4.818,-5.018,0.0
13,-2.572,2.674,-6.9,1.997,2.276,-11.562,4.0
14,-7.008,7.981,0.963,5.188,-9.394,11.335,1.0
15,6.848,-6.76,-9.465,-6.195,-6.04,1.442,2.0
16,-3.14,-5.807,2.083,-6.528,-3.604,-1.018,3.0
17,-4.188,8.396,5.302,3.924,-7.838,-7.251,0.0
18,-9.278,8.038,4.978,3.125,-11.205,8.395,1.0
19,9.454,-8.557,-5.19,-1.951,-5.896,-0.637,2.0
20,-3.02,6.668,-6.453,1.713,2.795,-9.217,4.0
21,-2.721,-3.711,2.823,-8.639,-0.426,-1.725,3.0
22,0.566,-3.35,3.881,-3.417,-4.648,-4.18,3.0
23,-2.536,6.899,6.285,-0.469,-6.462,-10.799,0.0
24,2.811,-5.806,-6.243,-1.405,-4.3,1.098,2.0
25,-3.744,-2.862,0.288,-5.636,-1.84,-4.314,3.0
26,4.81,-2.653,-7.93,-6.976,-2.288,-1.967,2.0
27,-10.242,6.668,1.238,1.234,-8.996,9.92,1.0
28,0.151,6.731,-4.976,7.99,2.99,-6.8,4.0
29,6.579,-8.091,-4.078,-4.828,-2.333,-1.324,2.0
30,6.326,-4.945,-2.591,-5.983,-3.4,0.346,2.0
Вопрос 7
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,0.24,-5.682,-1.625,-0.428,4.249,7.545,1.0
1,-9.959,7.743,-4.534,5.54,5.431,-0.554,0.0
2,-2.365,-10.659,-5.232,-2.362,6.58,5.51,1.0
3,-9.211,1.786,-1.431,7.868,8.793,-1.01,0.0
4,5.443,-5.874,-0.048,7.284,3.927,-2.143,4.0
5,-1.404,-7.957,-2.309,8.759,-6.966,-1.682,2.0
6,-4.848,-8.315,-4.193,7.334,-7.029,2.538,2.0
7,12.344,-12.497,2.964,11.227,-6.787,2.136,3.0
8,-1.598,-11.568,-3.264,7.053,-2.879,-0.644,2.0
9,6.482,-11.126,0.377,9.387,-5.576,2.878,3.0
10,-0.37,-9.741,-5.231,2.591,6.644,7.414,1.0
11,8.653,-13.089,1.623,10.397,-3.21,4.399,3.0
12,-3.162,-10.373,-2.963,8.453,-5.884,0.605,2.0
13,7.459,-5.76,1.068,6.63,2.493,-0.989,4.0
14,-0.363,-12.115,-3.322,1.786,4.416,4.228,1.0
15,-8.565,2.697,-2.042,-0.107,11.659,-0.063,0.0
16,-10.882,8.522,2.301,3.81,11.241,0.41,0.0
17,1.12,-7.206,-4.656,-0.154,2.237,5.963,1.0
18,6.137,-10.532,1.464,7.356,-5.956,-2.102,3.0
19,6.302,-7.599,2.39,6.13,0.731,0.685,4.0
20,10.06,-7.042,-2.899,7.038,0.497,-3.332,4.0
21,4.542,-6.821,-5.315,-0.946,1.856,6.824,1.0
22,10.347,-8.951,-3.637,9.136,-0.441,0.628,4.0
23,4.72,-8.755,0.589,9.995,-6.456,-1.274,3.0
24,-7.935,4.549,2.592,4.944,9.763,1.275,0.0
25,7.226,-6.566,1.07,7.447,3.613,-4.353,4.0
26,1.054,-9.598,-4.813,8.791,-3.62,0.174,2.0
27,5.512,-7.985,4.424,10.964,-7.253,1.793,3.0
28,-3.423,-8.262,-6.393,4.527,-5.556,-3.631,2.0
29,-8.739,4.979,-4.102,5.473,9.37,3.156,0.0
30,-7.338,4.093,-4.648,0.863,10.326,5.265,0.0
Вопрос 8
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,4.121,-0.118,0.113,-5.552,-6.894,6.323,1.0
1,-3.567,8.839,-5.747,7.646,-0.225,2.023,0.0
2,-1.628,-5.881,-5.689,6.976,7.984,-9.639,4.0
3,7.042,1.527,-0.561,-4.611,-5.599,-3.831,3.0
4,5.38,2.527,-0.131,-3.903,-3.695,-3.885,3.0
5,-2.496,-7.945,-9.216,8.132,9.704,-3.937,4.0
6,-6.715,9.719,-6.08,12.892,1.081,2.484,0.0
7,-1.989,-8.459,9.454,-1.238,2.432,-2.659,2.0
8,-6.233,7.213,-3.039,8.815,-2.853,0.856,0.0
9,7.355,2.491,-5.485,-6.676,-9.907,3.346,1.0
10,-2.513,-6.914,-6.806,4.505,11.649,-7.86,4.0
11,-1.911,-11.332,4.211,-3.911,-2.533,-5.588,2.0
12,4.427,-0.596,-3.077,-5.245,-6.8,5.11,1.0
13,-5.165,10.084,-6.039,11.495,-0.843,1.279,0.0
14,1.728,-5.62,6.847,-7.362,-5.278,-5.574,2.0
15,-3.639,-5.38,7.691,-5.493,-0.083,-4.641,2.0
16,-1.777,-6.542,-8.679,11.092,9.253,-6.712,4.0
17,-5.845,-9.168,8.514,-0.042,-4.678,-4.112,2.0
18,8.961,-0.486,-6.393,-9.04,-6.64,4.365,1.0
19,-3.974,6.152,-5.878,8.17,-0.336,2.733,0.0
20,7.601,-0.635,-4.222,-7.631,-9.572,6.345,1.0
21,4.07,4.523,5.475,-1.753,-1.882,-6.198,3.0
22,7.696,0.221,-9.783,-4.667,-12.141,7.846,1.0
23,1.974,-0.64,2.996,-6.096,-1.419,-4.042,3.0
24,-5.359,8.126,-5.326,10.956,2.047,3.224,0.0
25,-0.624,3.351,1.811,-4.795,-6.085,-7.53,3.0
26,-1.536,-8.394,-6.974,8.83,7.128,-6.575,4.0
27,2.997,2.29,0.864,-3.856,-5.327,-3.894,3.0
28,-3.06,-7.06,-4.823,9.703,8.469,-2.009,4.0
29,-6.432,9.359,-6.347,6.724,0.904,2.26,0.0
30,-4.681,-5.573,8.595,-2.482,-3.408,0.963,2.0
Вопрос 9
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,1.119,6.993,-5.725,-8.844,-7.74,-1.772,3.0
1,6.674,8.636,-5.555,3.207,-4.657,7.525,4.0
2,-1.709,13.692,6.806,-4.709,0.894,0.177,2.0
3,1.925,8.381,-9.146,-6.105,-6.269,-2.508,3.0
4,3.43,12.222,-7.79,-5.06,-6.401,-3.648,3.0
5,-6.77,6.82,-3.401,6.926,5.638,-0.038,1.0
6,-3.414,7.668,10.722,-4.792,1.95,2.227,2.0
7,6.382,5.745,-11.509,-10.349,-9.772,-3.143,3.0
8,-1.23,6.578,6.408,-5.465,5.515,-0.341,2.0
9,-3.92,5.073,-6.008,5.136,4.977,2.485,1.0
10,-9.823,2.004,-2.491,9.357,2.376,0.28,1.0
11,0.774,11.008,8.214,-6.88,-1.023,4.898,2.0
12,-3.475,3.146,-2.727,3.048,4.313,4.267,1.0
13,-8.354,4.314,-6.48,6.206,6.114,0.481,1.0
14,7.221,-1.53,-5.293,1.52,1.136,5.819,0.0
15,1.483,10.019,-5.65,-4.242,-4.932,10.855,4.0
16,6.06,10.689,-1.649,-0.375,-4.884,7.536,4.0
17,8.871,-0.994,-5.256,-2.456,1.95,6.94,0.0
18,-8.8,5.709,-2.097,1.296,7.558,4.745,1.0
19,7.084,8.365,-7.276,0.833,-4.508,8.853,4.0
20,7.304,2.8,-6.023,2.353,2.535,4.41,0.0
21,3.18,7.674,-8.164,-10.403,-10.982,-5.108,3.0
22,-0.797,10.394,11.27,-5.641,4.574,1.42,2.0
23,5.722,9.282,-6.926,-1.083,-6.85,6.713,4.0
24,1.277,7.415,10.583,-4.896,1.724,5.035,2.0
25,5.414,2.47,-6.747,5.531,2.243,6.71,0.0
26,11.404,-2.879,-8.843,0.894,2.606,2.721,0.0
27,3.586,9.033,-9.205,-9.022,-10.762,-4.526,3.0
28,7.47,0.525,-3.701,-1.795,1.61,6.232,0.0
29,8.288,-4.824,-2.788,0.809,4.323,4.37,0.0
30,4.789,8.579,-4.472,0.4,-7.073,4.438,4.0
Вопрос 10
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,3.672,-5.043,-8.236,-3.135,1.911,8.775,3.0
1,-4.605,-6.15,5.826,-4.895,-2.685,-4.789,0.0
2,4.925,-4.178,-4.8,0.52,4.603,9.665,3.0
3,-2.456,3.7,8.275,0.319,8.581,-0.453,1.0
4,4.061,-0.167,-0.811,6.26,0.039,6.886,4.0
5,1.529,-10.986,7.055,-4.6,-3.217,-3.963,0.0
6,6.192,-8.745,-6.35,-1.537,4.286,10.923,3.0
7,0.597,0.779,6.073,0.242,9.872,1.707,1.0
8,10.443,-2.416,-7.416,-3.697,5.293,12.204,3.0
9,13.154,4.888,-9.0,8.72,-1.426,-8.249,2.0
10,10.189,2.167,-1.639,10.517,-3.158,5.408,4.0
11,0.259,-6.95,5.924,-5.124,0.113,-3.388,0.0
12,8.341,4.781,-8.303,5.648,-2.545,-8.327,2.0
13,6.059,3.65,4.353,8.291,-1.836,2.994,4.0
14,-1.828,-7.61,5.415,-2.861,-3.37,-4.585,0.0
15,8.561,-0.901,2.628,3.824,0.973,4.485,4.0
16,2.1,2.333,7.208,3.328,9.434,3.758,1.0
17,2.579,-9.946,6.856,-4.423,1.591,-4.275,0.0
18,3.142,3.016,-8.577,6.58,-2.85,-12.496,2.0
19,-1.786,-11.109,4.671,-8.32,1.823,-2.656,0.0
20,6.244,-2.266,3.88,4.206,-0.991,6.357,4.0
21,9.539,4.52,-9.22,8.261,-0.394,-8.381,2.0
22,2.806,-7.235,-7.343,-0.554,1.936,12.384,3.0
23,-5.234,2.445,2.15,2.486,11.367,5.455,1.0
24,-4.52,-8.474,2.922,-5.361,-0.843,-4.933,0.0
25,3.103,2.317,-10.556,7.66,-2.469,-6.88,2.0
26,-1.15,4.123,6.939,4.922,8.603,2.289,1.0
27,7.893,2.39,-9.578,7.813,-1.35,-4.978,2.0
28,6.053,-4.346,-6.1,-1.093,5.236,8.06,3.0
29,-3.099,2.883,6.599,1.691,5.923,2.361,1.0
30,7.278,2.546,3.563,8.371,1.399,8.689,4.0
Вопрос 11
С использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv. Последний столбец в загруженных данных отвечает за метку класса (столбец "C"), остальные столбцы отвечают за атрибуты (столбцы "A1", "A2", "A3"). Загруженные данные используются для построения дерева классификации. При этом применяется библиотека Sklearn, а построение дерева осуществляется по алгоритму CART. Требуется определить условие разбиения данных в корневом узле. Примеры записи ответов: "A3 <= -1.625" или "A2 <= -6.359".
Содержимое файла data.csv:
,A1,A2,A3,C
0,0.373,2.533,0.958,3.0
1,2.533,2.196,0.018,3.0
2,-3.16,-8.645,2.837,2.0
3,-1.957,2.856,1.895,2.0
4,-1.751,-4.78,-10.75,1.0
5,1.184,-1.87,1.808,2.0
6,4.402,8.0,3.725,0.0
7,6.883,10.871,4.922,0.0
8,3.227,-8.759,-9.495,1.0
9,-3.313,0.241,2.866,2.0
10,4.851,-5.853,-9.802,1.0
11,-2.105,1.348,1.846,2.0
12,5.976,2.298,4.406,4.0
13,7.853,11.952,8.289,0.0
14,-2.058,2.238,2.98,3.0
15,4.64,5.019,1.124,4.0
16,5.746,-2.185,2.497,4.0
17,-1.951,0.261,0.889,3.0
18,-0.574,-3.249,-1.455,2.0
19,-1.586,2.476,-0.054,3.0
20,9.144,8.092,6.186,0.0
21,7.658,4.722,2.701,4.0
22,4.081,8.184,6.381,0.0
23,3.956,1.761,2.42,4.0
24,-1.893,-4.225,-9.527,1.0
25,7.374,8.382,6.383,0.0
26,9.988,5.156,-1.977,4.0
27,7.053,8.324,4.674,0.0
28,3.629,2.506,2.069,3.0
29,0.398,-6.797,-12.369,1.0
30,0.799,-8.012,-10.23,1.0
Вопрос 12
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,0.24,-5.682,-1.625,-0.428,4.249,7.545,1.0
1,-9.959,7.743,-4.534,5.54,5.431,-0.554,0.0
2,-2.365,-10.659,-5.232,-2.362,6.58,5.51,1.0
3,-9.211,1.786,-1.431,7.868,8.793,-1.01,0.0
4,5.443,-5.874,-0.048,7.284,3.927,-2.143,4.0
5,-1.404,-7.957,-2.309,8.759,-6.966,-1.682,2.0
6,-4.848,-8.315,-4.193,7.334,-7.029,2.538,2.0
7,12.344,-12.497,2.964,11.227,-6.787,2.136,3.0
8,-1.598,-11.568,-3.264,7.053,-2.879,-0.644,2.0
9,6.482,-11.126,0.377,9.387,-5.576,2.878,3.0
10,-0.37,-9.741,-5.231,2.591,6.644,7.414,1.0
11,8.653,-13.089,1.623,10.397,-3.21,4.399,3.0
12,-3.162,-10.373,-2.963,8.453,-5.884,0.605,2.0
13,7.459,-5.76,1.068,6.63,2.493,-0.989,4.0
14,-0.363,-12.115,-3.322,1.786,4.416,4.228,1.0
15,-8.565,2.697,-2.042,-0.107,11.659,-0.063,0.0
16,-10.882,8.522,2.301,3.81,11.241,0.41,0.0
17,1.12,-7.206,-4.656,-0.154,2.237,5.963,1.0
18,6.137,-10.532,1.464,7.356,-5.956,-2.102,3.0
19,6.302,-7.599,2.39,6.13,0.731,0.685,4.0
20,10.06,-7.042,-2.899,7.038,0.497,-3.332,4.0
21,4.542,-6.821,-5.315,-0.946,1.856,6.824,1.0
22,10.347,-8.951,-3.637,9.136,-0.441,0.628,4.0
23,4.72,-8.755,0.589,9.995,-6.456,-1.274,3.0
24,-7.935,4.549,2.592,4.944,9.763,1.275,0.0
25,7.226,-6.566,1.07,7.447,3.613,-4.353,4.0
26,1.054,-9.598,-4.813,8.791,-3.62,0.174,2.0
27,5.512,-7.985,4.424,10.964,-7.253,1.793,3.0
28,-3.423,-8.262,-6.393,4.527,-5.556,-3.631,2.0
29,-8.739,4.979,-4.102,5.473,9.37,3.156,0.0
30,-7.338,4.093,-4.648,0.863,10.326,5.265,0.0
Вопрос 13
содержащихся в файле data.csv. Посредством анализа данных необходимо определить значение A5 первого элемента списка, полученного путем фильтрации данных по условиям А2 > 1 и A3 < 2 и сортировки данных в порядке возрастания по значению A4. Ответ записать в виде числа без округлений через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,11.19,-8.43,0.16,-2.37,4.9,-2.13,4.0
1,9.09,-8.93,0.82,-3.87,9.17,-1.91,4.0
2,-4.49,-3.19,8.2,-0.74,-8.17,-9.83,3.0
3,2.43,8.75,4.47,-5.46,-5.82,4.1,0.0
4,1.37,9.2,4.65,-7.62,-4.34,1.74,0.0
5,-8.2,-1.77,-1.09,-0.84,-12.12,11.33,1.0
6,-5.77,-3.79,3.24,-1.56,-9.82,10.13,1.0
7,10.15,-6.03,-5.38,-3.56,8.87,-2.1,4.0
8,11.89,-4.55,-3.11,-2.69,8.54,-2.73,4.0
9,12.22,-5.53,-1.35,-4.59,5.73,-2.87,4.0
10,-3.87,-2.91,6.4,3.77,-7.8,-9.45,3.0
11,-1.49,-3.14,5.22,1.05,-10.18,-6.63,3.0
12,-5.78,0.5,1.86,1.42,-9.61,6.26,1.0
13,3.67,-0.25,5.54,8.57,7.08,-8.89,2.0
14,8.35,-6.2,2.69,12.8,6.22,-9.95,2.0
15,-6.92,-2.19,2.16,-2.89,-10.31,9.7,1.0
16,-6.34,-3.37,5.97,1.45,-11.33,-12.88,3.0
17,0.02,11.32,5.81,-5.98,-4.17,3.19,0.0
18,5.03,-0.72,0.15,6.37,7.35,-8.23,2.0
19,-7.62,0.34,3.71,4.61,-12.11,7.7,1.0
20,-4.82,1.72,0.77,-3.78,-5.65,8.53,1.0
21,1.42,10.56,5.79,-6.26,-5.85,6.26,0.0
22,0.37,10.81,6.15,-3.53,-5.72,3.63,0.0
23,0.69,6.49,8.14,-3.44,-4.12,7.66,0.0
24,10.42,-7.13,3.14,5.06,8.21,-10.19,2.0
25,-1.97,-5.45,3.78,3.52,-7.76,-10.96,3.0
26,7.96,-0.79,-1.74,10.7,8.0,-9.93,2.0
27,5.8,-6.51,-2.99,8.9,7.59,-12.75,2.0
28,-5.19,-2.65,6.76,1.91,-7.41,-10.45,3.0
29,-0.75,7.58,0.3,-4.06,-4.37,3.68,0.0
30,9.03,-3.58,-2.4,-7.26,9.87,-1.08,4.0
Вопрос 14
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-7.537,-0.725,-8.433,6.89,6.713,1.924,2.0
1,-1.907,-7.939,-2.743,2.169,1.343,-4.065,0.0
2,-3.584,3.158,-6.273,-3.797,1.815,5.753,1.0
3,-0.539,-6.762,1.997,-2.982,-1.593,-2.309,0.0
4,4.42,-6.531,-0.832,-11.204,-1.188,-6.556,3.0
5,-0.848,-13.199,0.155,-1.558,-1.672,-2.741,0.0
6,-7.096,3.041,-3.414,-8.519,-7.896,-3.857,4.0
7,8.152,-7.56,2.341,-9.243,2.046,-8.964,3.0
8,-9.383,4.467,-3.246,-5.098,4.77,-4.104,1.0
9,-9.58,1.718,-9.181,-7.2,-6.225,-5.703,4.0
10,-11.226,2.203,-2.617,-8.73,2.044,0.428,1.0
11,-3.638,1.153,-7.75,4.54,6.429,-1.236,2.0
12,-7.214,4.07,-4.77,-4.53,0.225,3.752,1.0
13,-0.057,-9.386,-0.665,-1.118,0.408,-4.155,0.0
14,-7.753,4.938,-3.741,-10.035,-4.265,-1.534,4.0
15,-5.361,-9.389,-0.362,-4.172,-0.544,-1.923,0.0
16,-8.644,4.234,-2.809,-7.256,-6.502,-1.975,4.0
17,-6.831,3.087,-3.243,-3.531,2.831,3.396,1.0
18,8.324,-7.012,1.308,-8.687,-1.894,-12.209,3.0
19,-9.113,-0.91,-6.864,4.673,5.682,-1.973,2.0
20,-10.273,1.964,-5.315,5.96,4.242,-0.619,2.0
21,-4.258,4.882,-4.815,-7.432,5.157,3.019,1.0
22,7.661,-6.859,-0.624,-10.446,-0.645,-8.699,3.0
23,-5.71,2.797,-4.807,3.719,9.298,-3.645,2.0
24,-2.208,-2.675,-8.354,6.571,6.432,0.732,2.0
25,7.414,-7.412,8.322,-7.052,1.626,-12.041,3.0
26,-5.535,3.452,-7.748,-9.276,-8.037,0.605,4.0
27,3.838,-12.572,6.664,-6.753,2.148,-8.927,3.0
28,-2.031,-9.63,1.86,1.263,-2.862,-2.377,0.0
29,-4.123,-9.788,0.455,3.169,-6.462,-3.168,0.0
30,-5.798,3.196,-8.386,-8.537,-4.876,-1.759,4.0
Вопрос 15
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого, с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-3.863,-0.728,3.802,-1.497,-2.247,7.914,3.0
1,3.488,-4.003,-6.862,-2.646,8.789,0.707,0.0
2,-8.6,11.316,2.572,10.827,1.917,-1.055,1.0
3,-9.985,-1.117,-8.296,7.753,8.393,-2.771,2.0
4,1.66,4.427,3.747,-4.097,-0.961,9.372,3.0
5,1.869,-3.224,-3.016,-3.001,6.419,1.283,0.0
6,-3.626,4.136,3.622,-5.658,4.366,10.237,3.0
7,-6.662,9.44,5.262,12.704,-3.502,0.719,1.0
8,-9.8,-1.971,-6.532,7.019,7.156,-0.405,2.0
9,3.212,-1.309,-5.863,-6.61,11.66,-2.429,0.0
10,8.595,-8.764,-3.645,-3.025,6.308,9.28,4.0
11,0.709,2.498,6.624,-4.864,4.392,7.018,3.0
12,10.46,-9.331,-1.677,-4.391,5.584,7.117,4.0
13,2.858,-5.269,-10.955,-3.721,10.977,-4.319,0.0
14,9.477,-7.321,-2.246,-5.6,2.61,5.471,4.0
15,-8.423,4.824,-7.738,7.061,7.695,-3.186,2.0
16,-8.505,11.018,6.45,9.735,-3.032,3.899,1.0
17,-12.51,6.194,-4.002,6.811,6.944,-2.619,2.0
18,4.218,-5.037,-8.965,-3.214,6.999,-5.709,0.0
19,2.761,-4.58,-9.528,-3.072,9.385,-4.07,0.0
20,8.304,-7.202,-1.283,-0.792,4.443,4.316,4.0
21,7.529,-8.224,-5.104,-5.192,6.892,6.155,4.0
22,8.635,-10.139,-2.525,-3.926,5.187,7.9,4.0
23,-4.11,4.463,5.923,-6.001,1.019,8.083,3.0
24,-9.478,4.042,-8.332,7.11,6.497,-2.479,2.0
25,1.87,-3.175,-9.158,-4.151,5.574,0.451,0.0
26,-7.352,11.815,3.983,4.989,0.301,2.709,1.0
27,-6.958,9.009,4.157,10.711,-2.78,1.003,1.0
28,-2.827,-0.044,-6.152,9.987,9.428,1.951,2.0
29,-1.384,3.525,9.056,-5.97,2.965,12.334,3.0
30,-8.357,12.171,2.258,9.861,-4.328,3.938,1.0
Вопрос 16
С использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv. Последний столбец в загруженных данных отвечает за метку класса (столбец "C"), остальные столбцы отвечают за атрибуты (столбцы "A1", "A2", "A3"). Загруженные данные используются для построения дерева классификации. При этом применяется библиотека Sklearn, а построение дерева осуществляется по алгоритму CART. Требуется определить условие разбиения данных в корневом узле. Примеры записи ответов: "A3 <= -1.625" или "A2 <= -6.359".
Содержимое файла data.csv:
,A1,A2,A3,C
0,-8.883,-6.03,-7.48,2.0
1,-1.326,-7.798,1.586,3.0
2,3.168,-2.854,3.484,4.0
3,1.908,6.91,5.134,1.0
4,-0.944,-8.805,2.779,3.0
5,4.754,-3.028,1.781,4.0
6,-2.572,-7.122,-9.842,2.0
7,-9.586,-3.247,-7.218,2.0
8,-0.106,7.801,-3.869,0.0
9,2.514,-3.856,5.133,4.0
10,-3.249,7.392,7.189,1.0
11,1.812,0.905,-5.46,0.0
12,-1.937,-12.067,-0.409,3.0
13,1.588,3.422,-2.081,0.0
14,-1.391,2.755,-2.143,0.0
15,-0.221,7.994,5.06,1.0
16,-0.181,-7.9,1.591,3.0
17,-9.46,-2.904,-11.387,2.0
18,-1.168,-5.515,2.455,4.0
19,0.147,6.113,10.707,1.0
20,1.539,2.774,-8.231,0.0
21,-0.463,-8.85,-1.169,3.0
22,-1.763,5.929,5.082,1.0
23,2.462,-6.594,5.216,4.0
24,-4.952,-9.497,-7.449,2.0
25,-0.725,-7.982,0.773,3.0
26,0.321,4.296,-7.437,0.0
27,2.829,-1.463,0.568,4.0
28,-9.334,-4.174,-6.8,2.0
29,-3.41,8.368,10.054,1.0
30,-0.053,1.509,-2.846,0.0
Вопрос 17
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить значение A5 первого элемента списка, полученного путем фильтрации данных по условиям А2 > 1 и A3 < 2 и сортировки данных в порядке возрастания по значению A4. Ответ записать в виде числа без округлений через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-1.84,-5.72,5.4,-0.73,1.34,3.53,1.0
1,-1.17,-1.52,1.31,-2.73,4.16,1.59,1.0
2,5.07,3.31,2.26,0.63,-6.84,8.14,2.0
3,7.34,8.95,10.08,-0.6,-5.69,-8.92,0.0
4,7.76,9.52,7.07,1.72,-1.94,-7.76,0.0
5,-6.07,-3.55,-2.17,12.05,-1.03,9.2,4.0
6,-6.2,-3.73,-11.74,11.93,-6.47,-5.56,3.0
7,0.43,6.56,5.77,-1.03,-4.62,10.48,2.0
8,-1.86,-0.34,-7.46,10.97,-7.35,-2.02,3.0
9,4.18,8.4,8.45,2.95,-5.02,-11.12,0.0
10,-12.52,-6.16,-1.86,7.16,-3.04,12.97,4.0
11,-4.35,-5.97,-10.5,8.61,-7.29,-8.25,3.0
12,5.39,9.22,2.0,-1.85,-2.51,10.09,2.0
13,-2.61,-0.09,1.17,-2.34,1.41,0.87,1.0
14,4.86,0.75,-0.03,-0.63,-5.0,6.36,2.0
15,-11.13,-7.85,-2.07,7.77,-2.01,9.36,4.0
16,4.06,6.73,1.29,-2.92,-5.36,6.7,2.0
17,-7.4,-7.37,-1.38,9.76,-4.52,10.44,4.0
18,-4.71,-8.05,-3.44,10.95,-7.46,11.29,4.0
19,-3.45,-10.49,-9.35,10.6,-9.21,-5.45,3.0
20,1.2,11.65,3.64,-2.94,-5.09,-12.47,0.0
21,-3.13,-5.72,-9.18,7.05,-8.6,-5.09,3.0
22,-0.72,-1.2,1.88,-2.83,1.11,-0.98,1.0
23,-3.96,-5.31,-7.96,10.17,-4.59,-1.7,3.0
24,7.9,9.31,-1.29,-0.67,-0.95,9.03,2.0
25,10.35,8.93,7.45,0.98,-5.47,-10.86,0.0
26,10.58,10.76,5.76,-2.67,-4.68,-7.32,0.0
27,-0.4,-4.62,-3.93,-1.3,6.2,3.17,1.0
28,-6.94,-2.81,-4.88,7.94,-0.43,8.04,4.0
29,8.42,7.04,6.38,-0.2,-7.21,-9.6,0.0
30,-1.2,1.8,1.52,1.16,0.49,1.62,1.0
Вопрос 18
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-1.844,-5.724,5.399,-0.726,1.338,3.529,1.0
1,-1.171,-1.522,1.312,-2.735,4.157,1.589,1.0
2,5.073,3.31,2.263,0.627,-6.838,8.14,2.0
3,7.337,8.954,10.078,-0.597,-5.694,-8.924,0.0
4,7.756,9.522,7.073,1.719,-1.941,-7.76,0.0
5,-6.067,-3.552,-2.172,12.055,-1.027,9.196,4.0
6,-6.203,-3.726,-11.737,11.931,-6.474,-5.561,3.0
7,0.427,6.556,5.77,-1.031,-4.622,10.476,2.0
8,-1.855,-0.338,-7.46,10.973,-7.351,-2.017,3.0
9,4.177,8.404,8.455,2.949,-5.022,-11.118,0.0
10,-12.519,-6.159,-1.859,7.161,-3.041,12.971,4.0
11,-4.346,-5.967,-10.505,8.612,-7.295,-8.251,3.0
12,5.387,9.22,2.005,-1.851,-2.511,10.092,2.0
13,-2.612,-0.092,1.167,-2.336,1.411,0.869,1.0
14,4.855,0.748,-0.027,-0.63,-4.996,6.364,2.0
15,-11.13,-7.85,-2.068,7.775,-2.005,9.357,4.0
16,4.062,6.732,1.287,-2.924,-5.362,6.697,2.0
17,-7.395,-7.371,-1.376,9.762,-4.519,10.444,4.0
18,-4.711,-8.054,-3.441,10.949,-7.459,11.293,4.0
19,-3.446,-10.493,-9.346,10.603,-9.213,-5.445,3.0
20,1.199,11.65,3.644,-2.941,-5.09,-12.474,0.0
21,-3.125,-5.717,-9.179,7.047,-8.595,-5.086,3.0
22,-0.721,-1.203,1.881,-2.834,1.11,-0.975,1.0
23,-3.961,-5.308,-7.962,10.168,-4.591,-1.703,3.0
24,7.901,9.31,-1.287,-0.668,-0.954,9.032,2.0
25,10.354,8.928,7.446,0.981,-5.471,-10.855,0.0
26,10.577,10.765,5.761,-2.669,-4.684,-7.322,0.0
27,-0.398,-4.616,-3.928,-1.304,6.197,3.168,1.0
28,-6.942,-2.812,-4.877,7.942,-0.428,8.04,4.0
29,8.418,7.042,6.382,-0.2,-7.214,-9.603,0.0
30,-1.198,1.801,1.521,1.165,0.495,1.624,1.0
Вопрос 19
С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,-9.538,-4.056,-9.28,2.355,-8.435,0.489,1.0
1,-2.231,5.456,-4.894,-3.27,6.666,6.749,0.0
2,-6.202,-5.357,-11.762,1.6,-12.144,-0.386,1.0
3,4.87,7.996,-4.063,-6.615,-2.884,9.03,4.0
4,-4.559,0.785,-5.762,5.326,-0.339,-7.161,3.0
5,2.647,-0.612,5.155,0.777,-8.403,0.22,2.0
6,0.856,6.573,-2.335,-2.828,0.054,8.507,4.0
7,-4.81,-0.849,-5.78,3.793,-1.472,-4.868,3.0
8,2.971,6.87,-0.414,-4.173,-3.263,8.482,4.0
9,-0.592,-0.675,-6.029,-1.831,10.107,7.662,0.0
10,1.922,-5.891,4.815,2.443,-10.554,0.799,2.0
11,3.434,-3.856,3.37,2.369,-10.817,-0.298,2.0
12,-7.788,1.119,-6.471,4.604,0.535,-8.16,3.0
13,-0.732,4.222,-8.678,-0.319,9.885,9.631,0.0
14,1.669,4.832,-5.047,-1.739,-3.16,12.709,4.0
15,-5.74,-8.442,-9.13,-0.055,-6.936,-0.565,1.0
16,-0.333,4.464,-3.876,-1.912,8.735,11.804,0.0
17,-6.407,-1.552,-4.852,1.267,4.161,-7.005,3.0
18,2.15,-2.981,2.145,2.79,-7.817,2.15,2.0
19,-0.19,0.334,-2.086,2.884,7.464,11.475,0.0
20,-6.26,-7.531,-8.681,1.152,-9.451,-2.641,1.0
21,-13.32,-7.799,-10.153,-2.217,-11.322,-0.109,1.0
22,-3.143,-0.714,-6.054,6.006,-3.633,-6.743,3.0
23,-0.522,3.703,-2.692,4.169,5.371,6.673,0.0
24,3.232,6.402,-1.207,-2.02,9.551,4.204,0.0
25,-0.284,2.513,-4.128,-5.065,-1.349,7.162,4.0
26,-3.168,3.685,-5.913,-5.02,-0.945,7.607,4.0
27,-5.677,-2.779,-4.588,0.618,-3.662,-7.144,3.0
28,1.314,-1.74,2.169,2.67,-11.027,-2.311,2.0
29,2.068,-2.712,2.475,-1.534,-11.333,1.354,2.0
30,-8.638,-6.074,-7.613,-2.895,-10.003,3.453,1.0
Вопрос 20
С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".
Содержимое файла data.csv:
,A1,A2,A3,A4,A5,A6,C
0,3.672,-5.043,-8.236,-3.135,1.911,8.775,3.0
1,-4.605,-6.15,5.826,-4.895,-2.685,-4.789,0.0
2,4.925,-4.178,-4.8,0.52,4.603,9.665,3.0
3,-2.456,3.7,8.275,0.319,8.581,-0.453,1.0
4,4.061,-0.167,-0.811,6.26,0.039,6.886,4.0
5,1.529,-10.986,7.055,-4.6,-3.217,-3.963,0.0
6,6.192,-8.745,-6.35,-1.537,4.286,10.923,3.0
7,0.597,0.779,6.073,0.242,9.872,1.707,1.0
8,10.443,-2.416,-7.416,-3.697,5.293,12.204,3.0
9,13.154,4.888,-9.0,8.72,-1.426,-8.249,2.0
10,10.189,2.167,-1.639,10.517,-3.158,5.408,4.0
11,0.259,-6.95,5.924,-5.124,0.113,-3.388,0.0
12,8.341,4.781,-8.303,5.648,-2.545,-8.327,2.0
13,6.059,3.65,4.353,8.291,-1.836,2.994,4.0
14,-1.828,-7.61,5.415,-2.861,-3.37,-4.585,0.0
15,8.561,-0.901,2.628,3.824,0.973,4.485,4.0
16,2.1,2.333,7.208,3.328,9.434,3.758,1.0
17,2.579,-9.946,6.856,-4.423,1.591,-4.275,0.0
18,3.142,3.016,-8.577,6.58,-2.85,-12.496,2.0
19,-1.786,-11.109,4.671,-8.32,1.823,-2.656,0.0
20,6.244,-2.266,3.88,4.206,-0.991,6.357,4.0
21,9.539,4.52,-9.22,8.261,-0.394,-8.381,2.0
22,2.806,-7.235,-7.343,-0.554,1.936,12.384,3.0
23,-5.234,2.445,2.15,2.486,11.367,5.455,1.0
24,-4.52,-8.474,2.922,-5.361,-0.843,-4.933,0.0
25,3.103,2.317,-10.556,7.66,-2.469,-6.88,2.0
26,-1.15,4.123,6.939,4.922,8.603,2.289,1.0
27,7.893,2.39,-9.578,7.813,-1.35,-4.978,2.0
28,6.053,-4.346,-6.1,-1.093,5.236,8.06,3.0
29,-3.099,2.883,6.599,1.691,5.923,2.361,1.0
30,7.278,2.546,3.563,8.371,1.399,8.689,4.0
Промежуточный тест 2
Вопрос 1
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.69 0.48 -0.47 0.07].
Вопрос 2
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».
Содержимое файла data.csv:
,X,Y
0,1.244,-1.716
1,0.579,-1.25
2,-1.29,-8.894
3,-1.011,-9.78
4,-2.497,-9.425
5,0.836,-0.908
6,-1.004,-8.335
7,-1.45,-9.6
8,0.676,-1.039
9,-1.991,-9.558
10,-1.029,-10.104
11,1.21,-0.654
12,-1.152,-9.976
13,-1.809,-9.936
14,0.805,-1.331
15,1.493,-1.484
16,1.299,-1.27
17,-1.719,-9.56
18,-2.177,-9.902
19,-1.259,-10.04
20,0.784,-1.36
21,0.059,-0.428
22,1.727,-1.461
23,0.973,-1.131
24,-1.599,-10.075
25,-1.654,-9.477
26,-1.415,-8.366
27,1.178,-0.614
28,0.993,-1.022
29,1.101,-2.223
Вопрос 3
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить количество объектов в каждом кластере. При записи ответа значения приводить в порядке убывания. Примеры записи ответов: «20, 10» или «12, 11».
Содержимое файла data.csv:
,X,Y
0,1.554,0.697
1,-0.063,-0.542
2,-0.811,-1.643
3,-1.123,-0.664
4,-0.156,0.551
5,-2.296,2.41
6,-3.135,1.14
7,0.091,1.091
8,1.702,1.006
9,-1.183,1.916
10,-1.646,-0.484
11,0.331,1.225
12,0.144,0.076
13,0.128,-1.351
14,0.535,1.166
15,1.443,-0.221
16,-0.174,0.424
17,0.475,-1.165
18,-1.87,-1.779
19,0.86,-0.231
20,-1.947,-1.386
21,-0.378,-0.792
22,1.347,-0.607
23,0.162,-0.673
24,-0.501,-0.409
25,-0.066,-0.209
26,0.795,0.976
27,0.031,0.182
28,-0.934,0.085
29,1.728,2.205
Вопрос 4
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.97 0.78 -0.43 -0.4].
Вопрос 5
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить количество объектов в каждом кластере. При записи ответа значения приводить в порядке убывания. Примеры записи ответов: «20, 10» или «12, 11».
Содержимое файла data.csv:
,X,Y
0,-0.115,2.242
1,-0.807,2.872
2,0.232,0.868
3,-1.154,-2.213
4,0.753,-1.535
5,-0.528,-0.039
6,-0.572,-0.106
7,-0.338,-0.585
8,-1.682,-1.788
9,1.013,-0.914
10,0.005,-0.12
11,-2.219,-0.647
12,-0.254,0.073
13,0.215,-0.384
14,1.342,-0.122
15,1.336,0.319
16,0.473,-0.681
17,0.051,-0.143
18,1.096,-1.215
19,-0.997,-0.714
20,0.502,0.139
21,-3.147,0.535
22,0.16,-0.716
23,0.242,-1.701
24,-1.148,2.114
25,0.035,-0.678
26,-1.03,1.21
27,0.641,0.527
28,-0.598,0.472
29,1.001,-0.051
Вопрос 6
Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».
Исходные данные:
W = [0.5 0.5 0.5 0.5 0.5], b = 0.5
A1 = [0.48 -0.92 -0.15 -0.35 0.55], D1 = -1
A2 = [-0.2 -0.87 0.9 -0.5 0.92], D2 = 1
A3 = [0.25 0.03 -0.88 0.94 -0.5 ], D3 = 1
Вопрос 7
Требуется рассчитать выходной сигнал одного нейрона с функцией активации сигмоид для заданного вектора входных сигналов X. Значения входных весовых коэффициентов равны 0,5, смещение равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.16 -0.27 -0.63 0.04 -0.98 0.94 0.6 0.51 0.34 -0.94].
Вопрос 8
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.13 -0.95 0.1 -0.13].
Вопрос 9
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.41 0.06 -0.62 -0.86].
Вопрос 10
Требуется рассчитать выходной сигнал одного нейрона с функцией активации сигмоид для заданного вектора входных сигналов X. Значения входных весовых коэффициентов равны 0,5, смещение равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.01 -0.54 -0.49 -0.21 -0.25 0.99 -0.18 0.54 0.52 -0.38].
Вопрос 11
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».
Содержимое файла data.csv:
,X,Y
0,2.014,8.157
1,7.721,7.068
2,1.924,7.708
3,2.288,8.157
4,1.941,6.783
5,8.154,6.613
6,1.22,8.234
7,7.363,5.51
8,7.529,7.089
9,1.641,7.889
10,1.123,8.077
11,7.553,6.318
12,1.827,6.921
13,7.661,6.477
14,1.741,8.738
15,7.089,5.889
16,2.232,7.465
17,1.367,7.533
18,7.416,6.374
19,8.094,5.541
20,8.433,6.993
21,2.323,8.621
22,1.708,8.732
23,7.995,5.748
24,8.297,7.347
25,8.259,7.057
26,8.077,4.965
27,1.32,7.402
28,1.678,6.359
29,8.05,6.996
Вопрос 12
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».
Содержимое файла data.csv:
,X,Y
0,0.134,-5.668
1,-0.159,-4.861
2,-4.032,-8.337
3,-5.097,-7.976
4,-0.109,-5.317
5,0.229,-5.927
6,-0.585,-5.189
7,-0.279,-4.604
8,-0.339,-4.814
9,-5.005,-8.143
10,-4.452,-7.995
11,-0.128,-4.544
12,-4.355,-7.544
13,-0.407,-5.747
14,-4.374,-7.872
15,-0.005,-4.672
16,-5.118,-8.872
17,-0.04,-5.482
18,-0.441,-4.682
19,-4.653,-7.372
20,-4.189,-7.477
21,-3.967,-8.718
22,-5.17,-7.566
23,0.387,-4.884
24,-5.729,-7.691
25,-4.756,-8.908
26,-0.097,-5.321
27,-5.149,-8.407
28,-3.692,-7.729
29,0.166,-5.194
Вопрос 13
Требуется рассчитать выходной сигнал одного нейрона с функцией активации сигмоид для заданного вектора входных сигналов X. Значения входных весовых коэффициентов равны 0,5, смещение равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [0.1 0.42 -0.42 0.02 0.79 0.79 -0.75 -0.59 -0.9 -0.12].
Вопрос 14
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».
Содержимое файла data.csv:
,X,Y
0,-3.62,0.151
1,0.423,4.06
2,0.504,3.806
3,0.632,4.048
4,1.041,3.961
5,-4.584,-0.993
6,0.877,3.986
7,-3.658,0.883
8,-4.619,0.231
9,1.759,4.281
10,-3.438,-0.343
11,1.329,4.083
12,0.743,3.39
13,-4.281,1.104
14,0.394,3.85
15,1.457,5.018
16,-5.306,0.083
17,-3.759,-0.714
18,-4.48,-0.078
19,-3.675,0.643
20,-4.483,-0.741
21,1.388,5.151
22,0.359,4.605
23,0.975,3.849
24,-4.994,0.54
25,1.507,3.612
26,0.994,3.924
27,-3.628,0.776
28,-4.644,-0.295
29,-4.36,-0.655
Вопрос 15
Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».
Исходные данные:
W = [0.5 0.5 0.5 0.5 0.5], b = 0.5
A1 = [-0.16 -0.27 -0.63 0.04 -0.98], D1 = -1
A2 = [0.94 0.6 0.51 0.34 -0.94], D2 = 1
A3 = [-0.22 -0.19 -0.62 0.53 0.23], D3 = 1
Вопрос 16
Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».
Исходные данные:
W = [0.5 0.5 0.5 0.5 0.5], b = 0.5
A1 = [0.18 0.8 0.78 0.63 -0.93], D1 = -1
A2 = [0.38 -0.24 0.04 0.32 -0.61], D2 = 1
A3 = [-0.46 0.44 0.57 0.7 0.55], D3 = 1
Вопрос 17
С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить количество объектов в каждом кластере. При записи ответа значения приводить в порядке убывания. Примеры записи ответов: «20, 10» или «12, 11».
Содержимое файла data.csv:
,X,Y
0,0.503,0.406
1,-0.243,-0.13
2,-0.792,-0.842
3,0.323,-0.493
4,0.933,2.06
5,-0.602,1.545
6,-0.109,1.556
7,-0.338,0.321
8,0.884,0.196
9,-0.885,-1.105
10,-1.28,0.246
11,0.129,-2.067
12,0.493,-2.704
13,-0.935,-1.613
14,-0.555,0.002
15,0.647,0.593
16,0.857,1.481
17,-0.044,1.568
18,-1.482,-0.856
19,-0.169,-3.19
20,0.939,-0.978
21,0.527,-1.551
22,-0.22,1.503
23,0.438,1.358
24,0.358,-2.343
25,1.12,1.333
26,1.205,1.352
27,0.33,-1.137
28,1.051,0.406
29,-1.085,0.56
Вопрос 18
Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».
Исходные данные:
W = [0.5 0.5 0.5 0.5 0.5], b = 0.5
A1 = [-0.01 -0.54 -0.49 -0.21 -0.25], D1 = -1
A2 = [0.99 -0.18 0.54 0.52 -0.38], D2 = 1
A3 = [-0.31 -0.3 -0.71 0.95 0.82], D3 = 1
Вопрос 19
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [0.48 -0.92 -0.15 -0.35].
Вопрос 20
Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:
X = [-0.01 -0.54 -0.49 -0.21].
