basharin_sevastyan_lab_1 is ready

basharin_sevastyan_lab_1/README.md

@@ -0,0 +1,83 @@
+## Лабораторная работа 1. Вариант 4.
+### Задание 
+Построить графики, отобразить 
+качество моделей, объяснить полученные результаты.
+
+Данные: `make_circles (noise=0.2, factor=0.5, random_state=rs)`
+
+Модели:
+- Линейная регресся 
+- Полиномиальная регрессия (со степенью 4) 
+- Гребневая полиномиальная регресся (со степенью 4, alpha = 1.0)
+
+### Как запустить
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+После будет запущена программа и сгенерированы 3 графика.
+
+### Используемые технологии
+- `numpy` (псевдоним `np`): NumPy - это библиотека для научных вычислений в Python.
+- `matplotlib.pyplot` (псевдоним `plt`): Matplotlib - это библиотека для создания статических, анимированных и интерактивных визуализаций в Python. `pyplot` - это модуль Matplotlib, который используется для создания графиков и диаграмм.
+- `matplotlib.colors.ListedColormap` - этот модуль Matplotlib используется для создания цветных схем цветовых карт, которые могут быть использованы для визуализации данных.
+- `sklearn` (scikit-learn): Scikit-learn - это библиотека для машинного обучения и анализа данных в Python. Из данной библиотеки были использованы следующие модули:
+  - `model_selection` - Этот модуль scikit-learn предоставляет инструменты для разделения данных на обучающие и тестовые наборы.
+  - `linear_model` - содержит реализации линейных моделей, таких как линейная регрессия, логистическая регрессия и другие.
+  - `pipeline` - позволяет объединить несколько этапов обработки данных и построения моделей в одну конвейерную цепочку.
+  - `PolynomialFeatures` - Этот класс scikit-learn используется для генерации полиномиальных признаков, позволяя моделям учитывать нелинейные зависимости в данных.
+  - `make_circles` - Эта функция scikit-learn создает набор данных, представляющий собой два класса, расположенных в форме двух пересекающихся окружностей. Это удобно для демонстрации работы различных моделей классификации.
+  - `LinearRegression` - линейная регрессия - это алгоритм машинного обучения, используемый для задач бинарной классификации.
+
+### Описание работы
+Программа генерирует данные, разделяет данные на тестовые и обучающие для моделей по заданию.
+```python
+rs = randrange(50)
+X, y = make_circles(noise=0.2, factor=0.5, random_state=rs)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=rs)
+```
+`X_train` и `y_train` используются для обучения, а на данных `X_test` и `y_test` - оценка их качества.
+
+Поскольку все модели в задании регрессионные, результаты работы будем оценивать через решение задачи предсказания.
+
+Для оценки будем использовать следующие критерии: среднеквадратическому отклонению и коэфициенту детерминации. Чем ошибка меньше и чем коэфициент детерминации больше, тем лучше.
+```python
+np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)),3)  #среднеквадратическое отклонение 
+np.round(metrics.r2_score(y_test, y_predict), 2)  #коэфициент детерминации
+```
+Оценочные параметры округлены с помощью функции `round` до 3х и 2х знаков после запятой.
+
+### Линейная регрессия
+Для создания модели линейной регрессии воспользуемся `LinearRegression`.
+```python
+linear_reg = LinearRegression()
+```
+Обучим её и предскажем с её помощью `y` на тестовой выборке `x_text`.
+```python
+model.fit(X_train, y_train)
+y_predict = model.predict(X_test)
+```
+График для оценки результатов:
+![](linear.png "")
+
+#### Полиномиальная регрессия
+Добавим 3 недостающих члена к линейной модели, возведённых в соответствующие степени 2, 3 и 4.
+```python
+poly_reg = make_pipeline(PolynomialFeatures(degree=4), StandardScaler(), LogisticRegression(random_state=rs))
+```
+График для оценки результатов:
+![](poly.png "")
+
+#### Полиномиальная гребневая регрессия
+Линейная регрессия является разновидностью полиномиальной регрессии со степенью ведущего члена равной 1.
+```python
+ridge_poly_reg = make_pipeline(PolynomialFeatures(degree=4), StandardScaler(), LogisticRegression(penalty='l2', C=1.0, random_state=rs))
+```
+График для оценки результатов:
+![](ridge.png "")
+
+Точность измерений:
+![](result.png "")
+
+### Вывод
+Наиболее низкое среднеквадратичное отклонение и наиболее высокий коэффициент детерминации показала модель полиномиальной и полиномиальной гребневой регрессии. Это означает, что они являются лучшими моделями для данного набора данных.

basharin_sevastyan_lab_1/main.py

@@ -0,0 +1,60 @@
+from random import randrange
+import numpy as np
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn import metrics
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression, LogisticRegression
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import StandardScaler, PolynomialFeatures
+from sklearn.datasets import make_circles
+
+rs = randrange(50)
+X, y = make_circles(noise=0.2, factor=0.5, random_state=rs)  # Сгенерируем данные
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,
+                                                    random_state=rs)  # Разделим данные на обучающий и тестовый наборы
+
+# Линейная модель
+linear_reg = LinearRegression()
+# Полиномиальная регрессия (со степенью 4)
+poly_reg = make_pipeline(PolynomialFeatures(degree=4), StandardScaler(), LogisticRegression(random_state=rs))
+# Гребневая полиномиальная регрессия (со степенью 4 и alpha=1.0)
+ridge_poly_reg = make_pipeline(PolynomialFeatures(degree=4), StandardScaler(), LogisticRegression(penalty='l2', C=1.0,
+                                                                                                  random_state=rs))
+
+
+# Обучение моделей
+def mid_sq_n_det(name, model):
+    model.fit(X_train, y_train)
+    y_predict = model.predict(X_test)
+    print(f'Рассчёт среднеквадратичной ошибки для {name}: '
+          f'{np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)),3)}')  # Рассчёт среднеквадратичной ошибки модели
+    print(f'Рассчёт коэфициента детерминации для {name}: {np.round(metrics.r2_score(y_test, y_predict), 2)}')  # Рассчёт коэфициента детерминации модели
+    return name, model
+
+
+# Графики
+models = [mid_sq_n_det("Линейная регрессия", linear_reg),
+          mid_sq_n_det("Полиномиальная регрессия (со степенью 4)", poly_reg),
+          mid_sq_n_det("Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)", ridge_poly_reg)]
+
+cmap_background = ListedColormap(['#FFAAAA', '#AAAAFF'])
+cmap_points = ListedColormap(['#FF0000', '#0000FF'])
+
+plt.figure(figsize=(15, 4))
+for i, (name, model) in enumerate(models):
+    plt.subplot(1, 3, i + 1)
+    xx, yy = np.meshgrid(np.linspace(X[:, 0].min() - 1, X[:, 0].max() + 1, 100),
+                         np.linspace(X[:, 1].min() - 1, X[:, 1].max() + 1, 100))
+    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
+    Z = Z.reshape(xx.shape)
+    plt.contourf(xx, yy, Z, cmap=cmap_background, alpha=0.5)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cmap_points, marker='o', label='Тестовые точки')
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cmap_points, marker='x', label='Обучающие точки')
+    plt.legend()
+    plt.title(name)
+    plt.text(0.5, -1.2, 'Красный класс', color='r', fontsize=12)
+    plt.text(0.5, -1.7, 'Синий класс', color='b', fontsize=12)
+
+plt.tight_layout()
+plt.show()