kochkareva_elizaveta_lab_1 is ready

kochkareva_elizaveta_lab_1/README.md

@@ -0,0 +1,111 @@
+
+# Лабораторная работа 1. Вариант 15
+
+### Задание
+Сгенерировать данные: 
+`
+make_classification (n_samples=500, n_features=2,
+n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1) 
+`
+
+Сравнить на нем 3 модели:
+- Линейную регрессию
+- Полиномиальную регрессию (со степенью 4)
+- Персептрон
+
+### Как запустить лабораторную работу
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+### Какие технологии использовали
+- Библиотека *numpy* для работы с массивами.
+- Библиотека *matplotlib pyplot* - для визуализации данных.
+- Библиотека *sklearn*:
+    - *make_classification* для создания синтетических наборов данных.
+    - *LinearRegression* для создания и работы с моделью Линейной регрессии.
+    - *Perceptron* для создания и работы с Персептроном
+    - *accuracy_score* для использования функции, используемая для вычисления точности классификации.
+    - *train_test_split*  для разделения набора данных на обучающую и тестовую выборки.
+    - *PolynomialFeatures* для создания преобразователя, который генерирует полиномиальные признаки из исходных признаков
+
+### Описание лабораторной работы
+#### Генерация данных
+Программа создает синтетический набор данных, где переменная `X` будет содержать матрицу признаков размером `(n_samples, n_features)`, а переменная `y` будет содержать вектор целевых переменных размером `(n_samples,)`.
+```
+X, y = make_classification(n_samples=500, n_features=2, n_redundant=0,
+                           n_informative=2, random_state=None,
+                           n_clusters_per_class=1)
+```
+Добавляет шум к данным путем увеличения значений матрицы признаков `X` на случайные значения из равномерного распределения, умноженные на 2. Затем создает переменную, которая содержит кортеж из матрицы признаков `X` и вектора целевых переменных `y`. И разделяет данные на обучающий набор `(X_train, y_train)` и тестовый набор `(X_test, y_test)` с помощью функции `train_test_split`. Обучающий набор составляет 60% от исходных данных, а 40% от исходных данных используются для тестирования модели  `(test_size=.4)`.
+```python
+rng = np.random.RandomState(2)
+X += 2 * rng.uniform(size=X.shape)
+linearly_dataset = (X, y)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
+```
+#### Работа с моделью линейной регрессии
+Создаем экземпляр модели линейной регрессии с помощью класса `LinearRegression()`, которая будет использоваться для построения линейной регрессии. Обучаем модель на обучающем наборе данных `X_train` и `y_train` с помощью метода `fit()`. Затем используем обученную модель для прогнозирования целевых переменных на тестовом наборе данных `X_test` с помощью метода `predict()`. Полученные прогнозы сохраняются в переменную `y_pred`. И вычисляем коэффициент детерминации (R-квадрат) для для оценки качества модели регрессии на тестовом наборе данных с помощью метода `score()`.
+```python
+# Модель линейной регрессии
+model = LinearRegression()
+# Обучение на тренировочных данных
+model.fit(X_train, y_train)
+# Выполнение прогноза
+y_pred = model.predict(X_test)
+# Вычисление коэффициента детерминации
+r_sq = model.score(X_test, y_test)
+```
+Выполним построение графика:
+
+
+![График линейной регрессии](LinearRegressionChart.png)
+
+#### Работа с моделью полиномиальной регрессии (со степенью 4)
+Создаем экземпляр класса `PolynomialFeatures` для генерации полиномиальных признаков со степень полинома 4 и параметр `include_bias=False`, чтобы исключить добавление дополнительного столбца с единицами (смещения). Преобразуем обучающий набор данных `X_train` и тестовый набор данных `X_test`  в полиномиальные признаки с помощью метода `fit_transform()` и сохраняем в переменные `X_poly_train` и `X_poly_test` соотвественно. Создаем экземпляр модели линейной регрессии с помощью класса `LinearRegression()`. Обучаем модель линейной регрессии на обучающем наборе данных `X_poly_train` и `y_train` с помощью метода `fit()`. Используем обученную модель для прогнозирования целевых переменных на тестовом наборе данных `X_poly_test` с помощью метода `predict()`. И вычисляем коэффициент детерминации (R-квадрат) для модели на тестовом наборе данных с помощью метода `score()`.
+```python
+pf = PolynomialFeatures(degree=4, include_bias=False)
+# Преобразование исходного набора данных X_train в полиномиальные признаки
+X_poly_train = pf.fit_transform(X_train)
+# Преобразование исходного набора данных X_test в полиномиальные признаки
+X_poly_test = pf.fit_transform(X_test)
+# Модель линейной регрессии
+model = LinearRegression()
+# Обучение модели линейной регрессии на преобразованных полиномиальных признаках
+model.fit(X_poly_train, y_train)
+# Выполнение прогноза
+y_pred = model.predict(X_poly_test)
+# Вычисление коэффициента детерминации
+r_sq = model.score(X_poly_test, y_test)
+```
+Выполним построение графика:
+
+
+![График полиномиальной регрессии](PolynomialRegressionChart.png)
+
+#### Работа с персептроном
+Создаем экземпляр модели персептрона `model = Perceptron()` и  обучаем модель на тренировочных данных с помощью метода `fit()`. После обучения модели персептрона, выполняем прогноз на тестовых данных с помощью метода `predict()`. Для оценки точности работы персептрона используем функцию `accuracy_score`, которая сравнивает предсказанные классы `y_pred` с истинными классами `y_test` и возвращает долю правильно классифицированных примеров.
+```python
+# Модель персептрона
+model = Perceptron()
+# Обучение на тренировочных данных
+model.fit(X_train, y_train)
+# Выполнение прогноза
+y_pred = model.predict(X_test)
+# Вычисление точности работы персептрона
+accuracy = accuracy_score(y_test, y_pred)
+```
+Выполним построение графика:
+
+
+![График персептрона](PerceptronChart.png)
+
+### Вывод
+
+Исходя из построенных графиков можно сделать следующий вывод:
+
+1. Коэффициент детерминации для полиномиальной регрессии (0,56) выше, чем для линейной регрессии (0,52). Это означает, что полиномиальная модель лучше объясняет изменчивость в данных, чем линейная модель. Однако значение 0.56 указывает на некоторую связь между предсказываемой переменной и независимыми переменными, но остается возможность для дальнейшего улучшения модели.
+
+2. Доля правильно классифицированных примеров персептроном (0,845) также высокая. Это говорит о том, что персептрон успешно выполнил задачу классификации и хорошо разделил примеры на правильные классы.
+
+В целом, можно сделать вывод, что и полиномиальная регрессия и персептрон проявляют лучшую производительность и демонстрируют лучшие результаты в анализе сгенерированных нами данных, чем линейная регрессия.

kochkareva_elizaveta_lab_1/main.py

@@ -0,0 +1,102 @@
+import os.path
+import numpy as np
+from matplotlib import pyplot as plt
+from sklearn.datasets import make_classification
+from sklearn.linear_model import LinearRegression, Perceptron
+from sklearn.metrics import accuracy_score
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import PolynomialFeatures
+
+picfld = os.path.join('static', 'charts')
+
+X, y = make_classification(n_samples=500, n_features=2, n_redundant=0,
+                           n_informative=2, random_state=None,
+                           n_clusters_per_class=1)
+# sklearn.datasets.samples_generator.make_classification - используется для создания случайных задач классификации N.
+# n_samples - Количество случайных чисел
+# n_features - количество признаков (измерений) для каждого числа.
+# n_informative - Количество информативных характеристик
+# n_redundant -количество избыточных признаков, которые не вносят дополнительной информации.
+# random_state - опциональный параметр для установки начального состояния генератора случайных чисел.
+# n_clusters_per_class - Количество кластера в каждой категории
+# Функция возвращает два значения:
+# X: массив размера [n_samples, n_features], содержащий сгенерированные признаки.
+# y: массив размера [n_samples], содержащий сгенерированные целевые переменные (классы).
+
+rng = np.random.RandomState(2)
+# добавление шума к данным
+X += 2 * rng.uniform(size=X.shape)
+linearly_dataset = (X, y)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
+
+# Модель: линейная регрессия
+def linear_regression():
+    # Модель линейной регрессии
+    model = LinearRegression()
+    # Обучение на тренировочных данных
+    model.fit(X_train, y_train)
+    # Выполнение прогноза
+    y_pred = model.predict(X_test)
+    # Вычисление коэффициента детерминации
+    r_sq = model.score(X_test, y_test)
+    # Создание графика
+    plt.plot(y_test, c="#bd0000", label="\"y\" исходная")
+    plt.plot(y_pred, c="#00BFFF", label="\"y\" предсказанная \n" "Кд = " + str(r_sq))
+    plt.title("Линейная регрессия")
+    plt.legend(loc='lower left')
+    plt.savefig('static/charts/LinearRegressionChart.png')
+    plt.close()
+
+
+# Модель: полиномиальная регрессия (со степенью 4)
+def polynomial_regression():
+    # Генерирование объекта полинома,
+    # где degree - степень полинома,
+    # include_bias - установка вектора смещения в полиномиальные признаки
+    pf = PolynomialFeatures(degree=4, include_bias=False)
+    # Преобразование исходного набора данных X_train в полиномиальные признаки
+    X_poly_train = pf.fit_transform(X_train)
+    # Преобразование исходного набора данных X_test в полиномиальные признаки
+    X_poly_test = pf.fit_transform(X_test)
+    # Модель линейной регрессии
+    model = LinearRegression()
+    # Обучение модели линейной регрессии на преобразованных полиномиальных признаках
+    model.fit(X_poly_train, y_train)
+    # Выполнение прогноза
+    y_pred = model.predict(X_poly_test)
+    # Вычисление коэффициента детерминации
+    r_sq = model.score(X_poly_test, y_test)
+    # Создание графика
+    plt.plot(y_test, c="#bd0000", label="\"y\" исходная")
+    plt.plot(y_pred, c="#00BFFF",
+             label="\"y\" предсказанная \n" "Кд = " + str(r_sq))
+    plt.legend(loc='lower left')
+    plt.title("Полиномиальная регрессия")
+    plt.savefig('static/charts/PolynomialRegressionChart.png')
+    plt.close()
+
+
+# Модель: персептрон
+def perceptron():
+    # Модель персептрона
+    model = Perceptron()
+    # Обучение на тренировочных данных
+    model.fit(X_train, y_train)
+    # Выполнение прогноза
+    y_pred = model.predict(X_test)
+    # Вычисление точности работы персептрона
+    accuracy = accuracy_score(y_test, y_pred)
+    # Создание графика
+    plt.plot(y_test, c="#bd0000", label="\"y\" исходная")
+    plt.plot(y_pred, c="#00BFFF",
+             label="\"y\" предсказанная \n" "Точность = " + str(accuracy))
+    plt.legend(loc='lower left')
+    plt.title("Персептрон")
+    plt.savefig('static/charts/PerceptronChart.png')
+    plt.close()
+
+
+if __name__ == '__main__':
+    linear_regression()
+    polynomial_regression()
+    perceptron()