38 lines
2.5 KiB
Markdown
38 lines
2.5 KiB
Markdown
|
Вариант 2
|
|||
|
|
|
|||
|
|
Задание на лабораторную работу:
|
|||
|
|
|
|||
|
|
По данным построить графики 3 моделей:
|
|||
|
|
|
|||
|
|
- Линейную регрессию
|
|||
|
|
- Полиномиальную регрессию (со степенью 3)
|
|||
|
|
- Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0)
|
|||
|
|
|
|||
|
|
Данные: make_circles (noise=0.2, factor=0.5, random_state=rs)
|
|||
|
|
|
|||
|
|
Как запустить лабораторную работу:
|
|||
|
|
|
|||
|
|
Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_1.py, после чего будут отрисованы 3 графика, которые также можно увидеть в формате png в папке проекта.
|
|||
|
|
|
|||
|
|
Библиотеки
|
|||
|
|
|
|||
|
|
Matplotlib. Используется для создания графиков.
|
|||
|
|
|
|||
|
|
Sklearn. Предоставляет инструменты и алгоритмы, которые упрощают задачи, связанные с машинным обучением.
|
|||
|
|
|
|||
|
|
Описание программы:
|
|||
|
|
|
|||
|
|
- Генерируем набор данных из 100 точек данных используя функцию make_circles
|
|||
|
|
- С помощью функции train_test_split разделяем данные на тестовые и обучающие в соотношении 20 к 80
|
|||
|
|
- Создаем 3 модели:
|
|||
|
|
- Линейную регрессию
|
|||
|
|
- Полиномиальную регрессию (со степенью 3)
|
|||
|
|
- Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0)
|
|||
|
|
- Модели используем для предсказания классов с помощью метода predict
|
|||
|
|
- Оцениваем точность каждой модели
|
|||
|
|
- Строим графики для визуального представления и оценивая работ моделей
|
|||
|
|
- Сравниваем точности моделей и выбираем наиболее точную
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Изходя из результатов: Линейная - 0.30, Полиномиальная - 0.45, Гребневая полиномиальная - 0.47, делаем вывод, что наиболее точная модель - Гребневая полиномиальная.
|