39 lines
3.3 KiB
Markdown
39 lines
3.3 KiB
Markdown
|
## Лабораторная работа №5
|
|||
|
|
### Регрессия
|
|||
|
|
### Задание
|
|||
|
|
Использовать регрессию по варианту для данных из таблицы 1 по варианту(таблица 10),самостоятельно сформулировав задачу. Оценить, насколько хорошо онаподходит для решения сформулированной вами задачи.
|
|||
|
|
|
|||
|
|
### Как запустить лабораторную работу:
|
|||
|
|
|
|||
|
|
* установить python, numpy, matplotlib, sklearn
|
|||
|
|
* запустить проект при помощи IDE pyCharm
|
|||
|
|
|
|||
|
|
### Какие технологии использовались:
|
|||
|
|
|
|||
|
|
* Язык программирования `Python`, библиотеки matplotlib, sklearn, pandas
|
|||
|
|
* Среда разработки `PyCharm`
|
|||
|
|
|
|||
|
|
### Что делает лабораторная работа:
|
|||
|
|
|
|||
|
|
Программа реализует модель логистической регрессии для предсказания пола (мужской/женский) на основе уровня активности, веса и роста. Она обучается на тренировочных данных, затем делает предсказания на тестовом наборе, вычисляет метрики оценки модели (точность, матрицу ошибок, отчет о классификации) и визуализирует результаты на диаграмме рассеяния.
|
|||
|
|
|
|||
|
|
|
|||
|
|
### Результаты:
|
|||
|
|
|
|||
|
|
Accuracy (Точность): 80% - доля правильных предсказаний;
|
|||
|
|
|
|||
|
|
Confusion Matrix (Матрица ошибок):
|
|||
|
|
True Positive (TP): 10 - правильно предсказанные Female;
|
|||
|
|
True Negative (TN): 6 - правильно предсказанные Male;
|
|||
|
|
False Positive (FP): 3 - ошибочно предсказанные Female (вместо Male);
|
|||
|
|
False Negative (FN): 1 - ошибочно предсказанные Male (вместо Female);
|
|||
|
|
Classification Report (Отчет о классификации):
|
|||
|
|
* Precision (Точность) для Female: 91% - доля правильно предсказанных Female относительно всех предсказанных Female;
|
|||
|
|
* Recall (Полнота) для Female: 77% - доля правильно предсказанных Female относительно всех реальных Female;
|
|||
|
|
* F1-score для Female: 83% - среднее гармоническое между точностью и полнотой для Female;
|
|||
|
|
* Поддержка (support) для Female: 13 - количество образцов Female в тестовом наборе;
|
|||
|
|
* Аналогичные метрики для Male также представлены.
|
|||
|
|
|
|||
|
|
### Вывод:
|
|||
|
|
Модель логистической регрессии, обученная на данных об уровне активности, весе и росте, достигла точности 80%. Она успешно предсказывает пол (Female/Male) с высокой точностью и полнотой, как указано в матрице ошибок и отчете о классификации.
|