47 lines
4.4 KiB
Markdown
47 lines
4.4 KiB
Markdown
|
# Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
|
|||
|
|
### Вариант № 18
|
|||
|
|
Используя код из пункта «Регуляризация и сеть прямого распространения», сгенерируйте определенный тип данных и сравните на нем 3 модели (по варианту). Постройте графики, отобразите качество моделей, объясните полученные результаты.
|
|||
|
|
|
|||
|
|
**Данные**: make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
|
|||
|
|
|
|||
|
|
**Модели**:
|
|||
|
|
* Линейную регрессию
|
|||
|
|
* Персептрон
|
|||
|
|
* Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0)
|
|||
|
|
***
|
|||
|
|
## *Как запустить лабораторную работу:*
|
|||
|
|
Чтобы запустить программу, открываем файл lab1 в PyCharm и нажимаем на зеленый треугольник в правом верхнем углу.
|
|||
|
|
***
|
|||
|
|
## *Использованные технологии:*
|
|||
|
|
**Scikit-learn** - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
|
|||
|
|
|
|||
|
|
**Matplotlib** — это комплексная библиотека для создания статических, анимированных и интерактивных визуализаций на Python.
|
|||
|
|
|
|||
|
|
**NumPy** — это фундаментальный пакет для научных вычислений на Python.
|
|||
|
|
***
|
|||
|
|
## *Что делает ЛР:*
|
|||
|
|
В данной работе генерируется определенный тип данных (при помощи генератора линейных задач make_classification). На данном типе данных проверяется работа трёх моделей: линейная регрессия, персептрон и гребневая полиномиальная регрессия.
|
|||
|
|
|
|||
|
|
**Результатом работы программы** являются: вывод показателей качества моделей (в консоли) и 3 изображения с графиками, на которых показаны сами данные, разбитые на два класса (тренировочные и тестовые), а также разбиение по классам по моделям.
|
|||
|
|
***
|
|||
|
|
## *Пример выходных данных:*
|
|||
|
|
>Вывод в консоли:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
>График линейной регрессии:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
>График персептрона:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
>График гребневой полиномиальной регрессии:
|
|||
|
|
|
|||
|
|
|
|||
|
|
***
|
|||
|
|
**Вывод**: Для сгенерированного типа данных лучшей моделью оказалась модель персептрона (с точностью 0.795), а худшей модель линейной регрессии (с точностью 0.44).
|
|||
|
|
Персептрон может хорошо работать в задачах классификации, если данные хорошо разделимы линейно. Гребневая полиномиальная регрессия показала среднюю точность.
|
|||
|
|
Дополнительно в данные был добавлен случайный шум, что тоже могло повлиять на результаты оценки качества моделей.
|