IIS_2023_1/kurmyza_pavel_lab_1/main.py

92 lines
3.7 KiB
Python
Raw Normal View History

2023-10-22 16:37:16 +04:00
from random import randrange
import numpy as np
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score, mean_squared_error
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import PolynomialFeatures
from sklearn.datasets import make_moons
from sklearn.pipeline import make_pipeline
RANDOM_STATE = randrange(50)
# Генерация случайных данных на основе случайного состояния
X, y = make_moons(noise=0.3, random_state=RANDOM_STATE)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=RANDOM_STATE)
# Полиномиальная регрессия (3 степень)
DEGREE = 3
poly_regression = make_pipeline(PolynomialFeatures(degree=DEGREE), LinearRegression()) # создание модели
poly_regression.fit(X_train, y_train) # обучение
y_pred_poly_regression = poly_regression.predict(X_test) # предсказание
# Линейная регрессия
linear_regression = LinearRegression() # создание модели
linear_regression.fit(X_train, y_train) # обучение
y_pred_linear_regression = linear_regression.predict(X_test) # предсказание
# Многослойный персептрон (100 нейронов)
HIDDEN_LAYER_SIZES = 100
ALPHA = 0.01
perceptron_100 = MLPClassifier(hidden_layer_sizes=(HIDDEN_LAYER_SIZES,), alpha=ALPHA,
random_state=RANDOM_STATE) # создание модели
perceptron_100.fit(X_train, y_train) # обучение
y_pred_perceptron_100 = perceptron_100.predict(X_test) # предсказание
# Оценка точности и вывод в консоль
acc_linear_regression = mean_squared_error(y_test, y_pred_linear_regression)
acc_poly_regression = mean_squared_error(y_test, y_pred_poly_regression)
acc_perceptron_100 = accuracy_score(y_test, y_pred_perceptron_100)
print(f"Оценка точности: "
f"\n Линейная регрессия: {acc_linear_regression}"
f"\n Полиномиальная регрессия (3 степень): {acc_poly_regression}"
f"\n Многослойный персептрон (100 нейронов): {acc_perceptron_100}")
# Предсказание классов для точек графика для их визуализации
x_min, y_min = X[:, 0].min() - 0.5, X[:, 1].min() - 0.5
x_max, y_max = X[:, 0].max() + 0.5, X[:, 1].max() + 0.5
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))
prediction_data = np.c_[xx.ravel(), yy.ravel()]
Z_poly_regression = poly_regression.predict(prediction_data)
Z_poly_regression = Z_poly_regression.reshape(xx.shape)
Z_linear_regression = linear_regression.predict(prediction_data)
Z_linear_regression = Z_linear_regression.reshape(xx.shape)
Z_perceptron_100 = perceptron_100.predict(prediction_data)
Z_perceptron_100 = Z_perceptron_100.reshape(xx.shape)
# Отрисовка графиков
def draw_graphic(title, nrows, ncols, index, Z):
plt.subplot(nrows, ncols, index)
plt.contourf(xx, yy, Z, alpha=0.8)
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, alpha=0.6)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train)
plt.title(title)
plt.xlabel('1 признак')
plt.ylabel('2 признак')
draw_graphic('Линейная регрессия', 1, 3, 1, Z_linear_regression)
draw_graphic('Полиномиальная регрессия', 1, 3, 2, Z_poly_regression)
draw_graphic('Персептрон', 1, 3, 3, Z_perceptron_100)
plt.tight_layout()
plt.show()