Лабораторная работа 1

orlov_artem_lab_1/README.md

@@ -0,0 +1,27 @@
+### Задание:
+Данные: make_moons (noise=0.3, random_state=rs) 
+Модели:
+	· Линейную регрессию 
+	· Полиномиальную регрессию (со степенью 5) 
+	· Гребневую полиномиальную регрессию (со степенью 5, alpha= 1.0)
+
+### как запустить лабораторную работу:
+Лабораторная работа запускается в файле `main.py` через Run, должно запуститься окно с графиками и вычисления в консоли
+
+### Технологии:
+Для решения задач будем использовать следующие библиотеки 
+matplotlib для построения графиков, 
+numpy для математических операций, 
+sklearn для обучения моделей и получения результатов
+
+### Что делает лабораторная:
+Выполнение кода выводит точность каждой модели (в консоль) и отображает графики решений для каждой модели.
+
+### Пример выходных значений:
+Консоль:
+
+![результат в консоль](console.png)
+
+Графики:
+
+![img.png](gr.png)

orlov_artem_lab_1/main.py

@@ -0,0 +1,53 @@
+import matplotlib.pyplot as plt
+from sklearn.datasets import make_moons
+from sklearn.linear_model import LinearRegression, Ridge
+from sklearn.preprocessing import PolynomialFeatures
+
+# Генерируем данные
+rs = 42
+X, y = make_moons(noise=0.3, random_state=rs)
+
+# Линейная регрессия
+lr = LinearRegression()
+lr.fit(X, y)
+lr_score = lr.score(X, y)
+
+# Полиномиальная регрессия
+poly = PolynomialFeatures(degree=5)
+X_poly = poly.fit_transform(X)
+lr_poly = LinearRegression()
+lr_poly.fit(X_poly, y)
+lr_poly_score = lr_poly.score(X_poly, y)
+
+# Гребневая регрессия
+ridge = Ridge(alpha=1.0)
+ridge.fit(X_poly, y)
+ridge_score = ridge.score(X_poly, y)
+
+# Выводим результаты
+print(f'Линейная регрессия: {lr_score}')
+print(f'Полиномиальная регрессия: {lr_poly_score}')
+print(f'Гребневая регрессия: {ridge_score}')
+
+# Построение графиков
+plt.figure(figsize=(12, 6))
+
+plt.subplot(141)
+plt.scatter(X[:, 0], X[:, 1], c=y)
+plt.title('Данные')
+
+plt.subplot(142)
+plt.scatter(X[:, 0], lr.predict(X), c=y)
+plt.title('Линейная регрессия')
+
+plt.subplot(143)
+plt.scatter(X[:, 0], ridge.predict(X_poly), c=y)
+plt.title('Гребневая регрессия')
+
+# Добавляем график с полиномиальной регрессией
+plt.subplot(144)
+plt.scatter(X[:, 0], lr_poly.predict(X_poly), c=y)
+plt.title('Полиномиальная регрессия')
+
+plt.tight_layout()
+plt.show()