48 lines
2.2 KiB
Markdown
48 lines
2.2 KiB
Markdown
|
## Лабораторная работа №1
|
|||
|
|
|
|||
|
|
### Работа с типовыми наборами данных и различными моделями
|
|||
|
|
|
|||
|
|
### ПИбд-41 Абанин Даниил
|
|||
|
|
|
|||
|
|
### Как запустить лабораторную работу:
|
|||
|
|
|
|||
|
|
* установить python, numpy, matplotlib, sklearn
|
|||
|
|
* запустить проект (стартовая точка класс lab1)
|
|||
|
|
|
|||
|
|
### Какие технологии использовались:
|
|||
|
|
|
|||
|
|
* Язык программирования `Python`,
|
|||
|
|
* Библиотеки numpy, matplotlib, sklearn
|
|||
|
|
* Среда разработки `PyCharm`
|
|||
|
|
|
|||
|
|
### Что делает лабораторная работа:
|
|||
|
|
|
|||
|
|
* Программа гененерирует данные с make_moonsmake_moons (noise=0.3, random_state=rs)
|
|||
|
|
* Сравнивает три типа моделей: инейная, полиномиальная, гребневая полиномиальная регрессии
|
|||
|
|
|
|||
|
|
### Примеры работы:
|
|||
|
|
|
|||
|
|
#### Результаты:
|
|||
|
|
MAE - средняя абсолютная ошибка, измеряет среднюю абсолютную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной
|
|||
|
|
MSE - средняя квадратическая ошибка, измеряет среднюю квадратичную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной
|
|||
|
|
|
|||
|
|
Чем меньше значения показателей, тем лучше модель справляется с предсказанием
|
|||
|
|
|
|||
|
|
Линейная регрессия
|
|||
|
|
MAE 0.2959889435199454
|
|||
|
|
MSE 0.13997968555679302
|
|||
|
|
|
|||
|
|
Полиномиальная регрессия
|
|||
|
|
MAE 0.21662135861071705
|
|||
|
|
MSE 0.08198825629271855
|
|||
|
|
|
|||
|
|
Гребневая полиномиальная регрессия
|
|||
|
|
MAE 0.2102788716636562
|
|||
|
|
MSE 0.07440133949387796
|
|||
|
|
|
|||
|
|
Лучший результат показала модель **Гребневая полиномиальная регрессия**
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|