just start

sergeev_evgenii_lab_5/lab5.py

@@ -0,0 +1,37 @@
+# Импортируем необходимые библиотеки
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import Ridge
+from sklearn.metrics import mean_squared_error
+from sklearn.preprocessing import StandardScaler
+
+# Загрузим данные
+data = pd.read_csv("ваш_файл.csv")  # Замените "ваш_файл.csv" на имя вашего файла данных
+
+# Выберем признаки (features) и целевую переменную (target)
+features = data[['lead_time', 'arrival_date_year', 'arrival_date_week_number', 'stays_in_weekend_nights',
+                 'stays_in_week_nights', 'adults', 'children', 'babies', 'previous_cancellations',
+                 'previous_bookings_not_canceled', 'booking_changes', 'days_in_waiting_list',
+                 'required_car_parking_spaces', 'total_of_special_requests']]
+target = data['adr']
+
+# Разделим данные на тренировочный и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)
+
+# Масштабируем признаки для лучшей производительности модели
+scaler = StandardScaler()
+X_train_scaled = scaler.fit_transform(X_train)
+X_test_scaled = scaler.transform(X_test)
+
+# Создаем модель гребневой регрессии
+ridge_model = Ridge(alpha=1.0)  # Можете изменить alpha в зависимости от необходимой регуляризации
+
+# Обучаем модель на тренировочных данных
+ridge_model.fit(X_train_scaled, y_train)
+
+# Делаем предсказания на тестовых данных
+predictions = ridge_model.predict(X_test_scaled)
+
+# Оцениваем производительность модели
+mse = mean_squared_error(y_test, predictions)
+print(f"Среднеквадратичная ошибка (MSE): {mse}")

sergeev_evgenii_lab_5/readme.md

@@ -0,0 +1,16 @@
+# Задание
+Предсказать, является ли транзакция мошеннической или нет на основе других данных о транзакции, таких как сумма транзакции, местоположение, банк, возраст и пол клиента
+### Как запустить лабораторную работу:
+ЛР запускается в файле zavrazhnova_svetlana_lab_5.py через Run, а затем в консоли должны появится вычисления
+
+### Технологии
+Методы PolynomialFeatures и LogisticRegression из библиотеки sklearn
+
+### Что делает лабораторная:
+Обучаются модели логистической и полиномиальной регрессии на обучающих данных и используются эти модели для предсказания мошеннических транзакций на тестовых данных. Оценивается точность каждой модели с помощью метрики accuracy.
+
+### Пример выходных значений:
+![result.png](result.png)
+
+### Вывод:
+Точность полиномиальной регрессии и логистической регрессии равны 1.0, это означает, что обе модели предсказали метки классов на тестовом наборе данных без ошибок. То есть они смогли точно определить, является ли транзакция мошеннической или нет.