lab1

kozlov_alexey_lab_1/README.md

@@ -0,0 +1,62 @@
+# Лабораторная работа №1. Работа с типовыми наборами данных и различными моделями
+## 14 вариант
+___
+
+### Задание:
+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 по варианту:
+-  make_circles (noise=0.2, factor=0.5, random_state=rs)
+
+### Модели по варианту:
+- Линейная регрессия
+- Персептрон
+- Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)
+
+___
+
+### Запуск
+- Запустить файл lab1.py
+
+### Используемые технологии
+- Язык программирования **Python**
+- Среда разработки **PyCharm**
+- Библиотеки:
+    * sklearn 
+    * matplotlib
+
+### Описание программы
+Программа генерирует набор данных с помощью функции make_circles()
+с заданными по варианту параметрами. После этого происходит создание и обучение моделй, вывод в консоль
+качества данных моделей по варианту и построение графикиков для этих моделей.
+
+Оценка точности происходит при помощи MAE (средняя абсолютная ошибка, измеряет среднюю абсолютную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной) и MSE (средняя квадратическая ошибка, измеряет среднюю квадратичную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной). Модель с наименьшими показателями MSE и MAE считается наиболее приспособленной к задаче предсказания.
+
+___
+### Пример работы
+
+![Graphics](lr.png)
+```text
+===> Линейная регрессия <===
+MAE 0.5039063025033765
+MSE 0.254199973993164
+```
+___
+
+![Graphics](pers.png)
+```text
+===> Персептрон <===
+MAE 0.5
+MSE 0.5
+```
+___
+
+![Graphics](pr.png)
+```text
+===> Гребневая полиномиальная регрессия <===
+MAE 0.24796914724994906
+MSE 0.07704666136671298
+```
+
+### Вывод
+Моделью с наименьшими значениями MAE и MSE оказалась модель гребневой полиномиальной регресссии, следоватьельно ее можно назвать наиболее подходящей для задачи регрессии при данной конфигурации исходных данных.

kozlov_alexey_lab_1/lab1.py

@@ -0,0 +1,64 @@
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.linear_model import LinearRegression, Ridge, Perceptron
+from sklearn.model_selection import train_test_split
+from sklearn.pipeline import Pipeline
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.datasets import make_circles
+from sklearn import metrics
+
+cm_bright = ListedColormap(['#8B0000', '#FF0000'])
+cm_bright1 = ListedColormap(['#FF4500', '#FFA500'])
+
+
+def create_circles():
+    x, y = make_circles(noise=0.2, factor=0.5, random_state=0)
+    X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)
+
+    linear_regression(X_train, X_test, y_train, y_test)
+    perceptron(X_train, X_test, y_train, y_test)
+    ridge_regression(X_train, X_test, y_train, y_test)
+
+
+def linear_regression(x_train, x_test, y_train, y_test):
+    model = LinearRegression().fit(x_train, y_train)
+    y_predict = model.intercept_ + model.coef_ * x_test
+    plt.title('Линейная регрессия')
+    print('Линейная регрессия')
+    plt.scatter(x_train[:, 0], x_train[:, 1], c=y_train, cmap=cm_bright)
+    plt.scatter(x_test[:, 0], x_test[:, 1], c=y_test, cmap=cm_bright1, alpha=0.7)
+    plt.plot(x_test, y_predict, color='red')
+    print('MAE', metrics.mean_absolute_error(y_test, y_predict[:, 1]))
+    print('MSE', metrics.mean_squared_error(y_test, y_predict[:, 1]))
+    plt.show()
+
+
+def perceptron(x_train, x_test, y_train, y_test):
+    model = Perceptron()
+    model.fit(x_train, y_train)
+    y_predict = model.predict(x_test)
+    plt.title('Персептрон')
+    plt.scatter(x_train[:, 0], x_train[:, 1], c=y_train, cmap=cm_bright)
+    plt.scatter(x_test[:, 0], x_test[:, 1], c=y_test, cmap=cm_bright1, alpha=0.8)
+    plt.plot(x_test, y_predict, color='red', linewidth=1)
+    plt.show()
+    print('Персептрон')
+    print('MAE', metrics.mean_absolute_error(y_test, y_predict))
+    print('MSE', metrics.mean_squared_error(y_test, y_predict))
+
+
+def ridge_regression(X_train, X_test, y_train, y_test):
+    model = Pipeline([('poly', PolynomialFeatures(degree=3)), ('ridge', Ridge(alpha=1.0))])
+    model.fit(X_train, y_train)
+    y_predict = model.predict(X_test)
+    plt.title('Гребневая полиномиальная регрессия')
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright1, alpha=0.7)
+    plt.plot(X_test, y_predict, color='blue')
+    plt.show()
+    print('Гребневая полиномиальная регрессия')
+    print('MAE', metrics.mean_absolute_error(y_test, y_predict))
+    print('MSE', metrics.mean_squared_error(y_test, y_predict))
+
+
+create_circles()