gusev_vladislav_lab_5 is ready

gusev_vladislav_lab_5/README.md

@@ -0,0 +1,24 @@
+### Вариант 9
+### Задание на лабораторную работу:
+Использовать регрессию по варианту для данных из курсовой работы. Самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной задачи.
+### Как запустить лабораторную работу:
+Выполняем файл gusev_vladislav_lab_5.py, будет выведен график на экран.
+
+### Технологии
+NumPy - библиотека для работы с многомерными массивами. Mathplotlib - библиотека для визуализации данных двумерной и трехмерной графикой. Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
+
+### Задача
+Мною было принято решение посмотреть, как зависит 
+### По коду
+1) Для начала загружаем данные из csv файла
+2) Разделяем данные на обучающее и тестовые
+3) Рескейлим данные из столбца price, который был в диапозоне от 370 до 2700 к диапозону от 0 до 1
+4) Обучаем модель, находим R^2 (среднеквадратическая ошибка) и коэффициент детерминации
+5) Выводим графики
+
+
+![img.png](img.png)
+
+### Вывод
+ - Среднеквадарическая ошибка получилась довольно низкой, что говорит нам о точности тестовых и предсказанных значений, однако коэффициент детерминации получился крайне низким, даже отрицательным. Это значит, что модель не понимает зависимости данных.
+ - Итог: гребневая модель регресси не применима к нашей задаче

gusev_vladislav_lab_5/gusev_vladislav_lab_5.py

@@ -0,0 +1,34 @@
+import pandas as pd
+
+from sklearn.linear_model import Ridge
+from sklearn import metrics
+from sklearn.preprocessing import MinMaxScaler
+import matplotlib.pyplot as plt
+import numpy as np
+# загрузка данных из файла
+data = pd.read_csv('diamonds_prices.csv')
+scaler = MinMaxScaler()
+
+x_train = data[['price', 'carat', 'depth']].iloc[0:round(len(data) / 100 * 99)]
+y_train = data['table'].iloc[0:round(len(data) / 100 * 99)]
+y_train = scaler.fit_transform(y_train.values.reshape(-1, 1)) # приводим к виду от 0 до 1
+y_train = y_train.flatten()
+x_test = data[['price', 'carat', 'depth']].iloc[round(len(data) / 100 * 99):len(data)]
+y_test = data['table'].iloc[round(len(data) / 100 * 99):len(data)]
+y_test = scaler.fit_transform(y_test.values.reshape(-1, 1)) # приводим к виду от 0 до 1
+y_test = y_test.flatten()
+
+rid = Ridge(alpha=1.0)
+rid.fit(x_train.values, y_train)
+y_predict = rid.predict(x_test.values)
+
+mid_square = np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)),3)  # рассчёт Ср^2
+coeff_determ = np.round(metrics.r2_score(y_test, y_predict), 2) # рассчёт коэффициента детерминации
+
+plt.plot(y_test, c="red", label="y тестовые ")
+plt.plot(y_predict, c="green", label="y предсказанные \n"
+                                                  "Ср^2 = " + str(mid_square) + "\n"
+                                                  "Coeff_determ = " + str(coeff_determ))
+plt.legend(loc='upper right')
+plt.title("Гребневая регрессия")
+plt.show()