Merge pull request 'martysheva lab1 don' (#28) from martysheva_tamara_lab_1 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/28

martysheva_tamara_lab_1/README.md

@@ -0,0 +1,46 @@
+# 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:
+
+![](https://sun9-27.userapi.com/impg/Xc_p5nTj7wWRVxuKx8PXcvnnJcPRYXM5PijZsA/bQJSoWPqZqo.jpg?size=602x76&quality=96&sign=5797d8960621a547a08ba7bdc1e83965&type=album)
+
+>График линейной регрессии:
+
+![](https://sun9-28.userapi.com/impg/DaF38aVW1XXfrsbt8d1eNYgyssVpffN3kgZTpA/UvJiTp6ACW0.jpg?size=604x423&quality=96&sign=74a0543fa50da772fc72214c6d695e81&type=album)
+
+>График персептрона:
+
+![](https://sun9-72.userapi.com/impg/6NLpLzpUvR5EVGIy2kPAwLWp7TGjUZWdL3Jb2w/Pbu6IPLsUuc.jpg?size=604x423&quality=96&sign=83e2340b57fe60de0adda95fe1ad686d&type=album)
+
+>График гребневой полиномиальной регрессии:
+
+![](https://sun9-27.userapi.com/impg/DzhYdeV18GWPbay__0W88Zg6oEDipT62zVB2Og/k5SfwXDyKhU.jpg?size=604x423&quality=96&sign=a6c08a960b55b6aec9aa0aa2307d1978&type=album)
+***
+**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. 

martysheva_tamara_lab_1/lab1.py

@@ -0,0 +1,57 @@
+import numpy as np
+from sklearn.datasets import make_classification
+from sklearn.preprocessing import StandardScaler
+from sklearn.model_selection import train_test_split
+from matplotlib.colors import ListedColormap
+from matplotlib import pyplot as plt
+from sklearn.linear_model import LinearRegression, Perceptron, Ridge
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.pipeline import Pipeline
+
+#Создаем набор данных
+X, Y = make_classification(n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=0, n_clusters_per_class=1)
+rng = np.random.RandomState(2)
+X += 2 * rng.uniform(size=X.shape)
+X = StandardScaler().fit_transform(X)
+X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=.4, random_state=40)
+
+#Создаем модели
+linear = LinearRegression()
+perseptron = Perceptron()
+ridge = Ridge(alpha=1.0)
+polynomial_features = PolynomialFeatures(degree=3)
+rid_poly = Pipeline([("polynomial_features", polynomial_features),("ridge_regression", ridge)])
+
+#Тренируем модель
+def train(model, description):
+    model.fit(X_train, Y_train)
+    Y_pred = model.predict(X_test)
+    print(description + ", качество модели = ", model.score(X_test, Y_test))
+
+#Выводим результат на график
+def plot(model, name):
+    cmap = ListedColormap(['#8b00ff', '#ff294d'])
+    plt.figure(figsize=(10, 7))
+    subplot = plt.subplot(111)
+    h = .5  # шаг регулярной сетки
+    x0_min, x0_max = X[:, 0].min() - .5, X[:, 0].max() + .5
+    x1_min, x1_max = X[:, 1].min() - .5, X[:, 1].max() + .5
+    xx0, xx1 = np.meshgrid(np.arange(x0_min, x0_max, h), np.arange(x1_min, x1_max, h))
+
+    Z = model.predict(np.c_[xx0.ravel(), xx1.ravel()])
+    Z = Z.reshape(xx0.shape)
+    subplot.contourf(xx0, xx1, Z, cmap=cmap, alpha=.3)
+
+    subplot.scatter(X_train[:, 0], X_train[:, 1], c=Y_train, cmap=cmap)
+    subplot.scatter(X_test[:, 0], X_test[:, 1], c=Y_test, cmap=cmap, alpha=0.4)
+
+    plt.savefig(name + ".png")
+
+#Вызов функций
+train(linear, "Линейная регрессия")
+train(perseptron, "Персептрон")
+train(rid_poly, "Гребневая полиномиальная регрессия")
+
+plot(linear, "linear_plot")
+plot(perseptron, "perseptron_plot")
+plot(rid_poly, "rid_poly_plot")