37 lines
4.2 KiB
Markdown
37 lines
4.2 KiB
Markdown
|
# Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
|
|||
|
|
### Задание на лабораторную:
|
|||
|
|
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.
|
|||
|
|
|
|||
|
|
**Вариант 20.**
|
|||
|
|
Данные: make_circles (noise=0.2, factor=0.5, random_state=rs)
|
|||
|
|
|
|||
|
|
Модели:
|
|||
|
|
* Линейную регрессию
|
|||
|
|
* Полиномиальную регрессию (со степенью 5)
|
|||
|
|
* Гребневую полиномиальную регрессию (со степенью 5, alpha= 1.0)
|
|||
|
|
***
|
|||
|
|
### Как запустить лабораторную работу:
|
|||
|
|
Для запуска лабораторной работы необходимо открыть файл `lr1.py`, нажать на ПКМ и в выпадающем списке выбрать опцию "Run".
|
|||
|
|
***
|
|||
|
|
### Технологии:
|
|||
|
|
**NumPy (Numerical Python)** - это библиотека для научных вычислений в Python, которая обеспечивает эффективные вычисления и манипуляции с данными.
|
|||
|
|
|
|||
|
|
**Matplotlib** - это библиотека визуализации данных для языка программирования Python, которая предоставляет широкий спектр инструментов для создания различных типов графиков, диаграмм и визуализаций данных.
|
|||
|
|
|
|||
|
|
**Scikit-learn (Sklearn)** - это библиотека для языка программирования Python, которая предоставляет инструменты для разработки и применения различных алгоритмов машинного обучения, включая классификацию, регрессию, кластеризацию, снижение размерности и многое другое. Scikit-learn также предлагает функции для предобработки данных, оценки моделей и выбора наилучших параметров.
|
|||
|
|
***
|
|||
|
|
### Что делает лабораторная работа:
|
|||
|
|
В лабораторной работе генерируется набор данных при помощи функции *make_circles* с параметрами из задания.
|
|||
|
|
Далее происходит разделение данных на обучащий и тестовый наборы при помощи функции *train_test_split*.
|
|||
|
|
После создаются 3 модели (линейная, полиномиальная и гребневая полиномиальная), а дальше происходит обучение моделей, предсказание и оценка качества.
|
|||
|
|
|
|||
|
|
Результатом работы являются показатели качества моделей, выведенные в консоль, и 3 графика, отображающие данные, их классификацию и границы решения моделей.
|
|||
|
|
***
|
|||
|
|
### Пример выходных данных:
|
|||
|
|
***Качество моделей:***
|
|||
|
|
|
|||
|
|
|
|||
|
|
***Графики:***
|
|||
|
|
|
|||
|
|
***
|
|||
|
|
**Вывод**: результаты показали, что для сгенерированного набора данных из 3 моделей наиболее точной оказалась полиномиальная регрессия (со степенью 5), гребневая полиномиальная регрессия (со степенью 5, alpha= 1.0), которая идентична полиномиальной регрессии, стала второй по точности, а линейная регрессия показала самую низкую точность.
|