49 lines
3.5 KiB
Markdown
49 lines
3.5 KiB
Markdown
|
## Задание
|
|||
|
|
|
|||
|
|
Вариант 6:
|
|||
|
|
|
|||
|
|
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
|
|||
|
|
· Полиномиальную регрессию (со степенью 4)
|
|||
|
|
· Гребневую полиномиальную регрессию(со степенью 4, alpha= 1.0)
|
|||
|
|
|
|||
|
|
## Как запустить лабораторную
|
|||
|
|
|
|||
|
|
Запустить файл main.py
|
|||
|
|
|
|||
|
|
## Используемые технологии
|
|||
|
|
|
|||
|
|
Библиотеки matplotlib, scikit-learn, их компоненты, все описано ниже
|
|||
|
|
|
|||
|
|
## Описание лабораторной (программы)
|
|||
|
|
|
|||
|
|
Программа генерирует набор данных с помощью функции make_classification с параметрами из задания
|
|||
|
|
Далее происходит разделение данных на обучащей и тестовый наборы с помощью функции train_test_split
|
|||
|
|
Потом происходит обучение моделей на тестовой выборке
|
|||
|
|
И предсказание уже на данных, которые остались
|
|||
|
|
В конце программа строит графики, отображающие данные в задании модели и выводит в консоль оценку их работы
|
|||
|
|
|
|||
|
|
## Результат
|
|||
|
|
|
|||
|
|
В результате программа выводит графики, скриншоты которых находятся в репозитории, а также оценки производительности обучения, полученные через model.score:
|
|||
|
|
Линейная регрессия: 0.92
|
|||
|
|
Полиномиальная регрессия: 0.96
|
|||
|
|
Гребневая полиномиальная регрессия: 0.7958276459808132
|
|||
|
|
Из результата видно, что наиболее качественной для решения данной задачи оказалась полиномиальная регрессия, наименее - гребневая полиномиальная
|
|||
|
|
|
|||
|
|
После полученных результатов я решила провести несколько тестов и вот что из этого вышло:
|
|||
|
|
|
|||
|
|
Если поменять test_size c 0.8 на 0.2, то результат работы моделей ухудшится, и чем хуже он был до этого, тем еще более хуже стал
|
|||
|
|
Линейная регрессия: 0.8725
|
|||
|
|
Полиномиальная регрессия: 0.955
|
|||
|
|
Гребневая полиномиальная регрессия: 0.6678458571780717
|
|||
|
|
|
|||
|
|
Если изменить количество samples с 500 на 2500, то результат работы моделей значительно улучшится:
|
|||
|
|
Линейная регрессия: 0.996
|
|||
|
|
Полиномиальная регрессия: 0.998
|
|||
|
|
Гребневая полиномиальная регрессия: 0.9701030991054763
|
|||
|
|
Несмотря на это, по качеству модели выстроены все в том же порядке, что и при вводе дефолтных данных, хотя по результату все они решают задачу достаточно хорошо при получении достаточного количества данных
|