Merge pull request 'kutygin_lab_1_ready' (#149) from kutygin_andrey_lab_1 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/149

kutygin_andrey_lab_1/README.md

@@ -0,0 +1,44 @@
+**Задание**
+***
+
+Вариант 16
+
+***Данные:*** make_moons (noise=0.3, random_state=rs)
+
+***Модели:***
+
+· Линейную регрессию
+
+· Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
+
+· Персептрон
+
+***Как запустить лабораторную:*** 
+***
+Запустить файл lab1.py
+
+***Используемые технологии***
+***
+Библиотеки numpy, matplotlib, sklearn и их компоненты
+
+***Описание лабораторной (программы)***
+***
+Реализация использования NumPy, Matplotlib и scikit-learn в данном коде позволяет создавать и обучать модели машинного обучения на наборе данных make_moons. 
+
+Первым шагом является генерация набора данных make_moons, которая представляет собой двумерный набор точек, распределенных в форме двух связных полумесяцев. Это набор данных, используемый для задачи классификации.
+
+Затем модели линейной регрессии, многослойного персептрона и персептрона обучаются на этом наборе данных. В процессе обучения модели адаптируют свои внутренние параметры для предсказания целевых значений.
+
+После обучения моделей создается сетка точек, чтобы предсказать значения моделей на этой сетке. Это позволяет визуализировать, как модели классифицируют пространство точек.
+
+В конце кода данные и предсказания моделей визуализируются на графиках. Это позволяет сравнить и оценить, насколько хорошо каждая модель справляется с задачей классификации и как они различаются друг от друга.
+
+***Результат***
+***
+В результате программа выводит графики и оценки производительности обучения, полученные через model.score библиотеки sclearn.
+
+Линейная регрессия: 0.5453845246295626
+
+Многослойный персептрон: 0.10895145407108087
+
+Персептрон: 0.5

kutygin_andrey_lab_1/lab1.py

@@ -0,0 +1,55 @@
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.datasets import make_moons
+from sklearn.linear_model import LinearRegression
+from sklearn.neural_network import MLPClassifier, MLPRegressor
+from sklearn.metrics import accuracy_score, mean_squared_error
+
+
+X, y = make_moons(noise=0.3, random_state=42)
+
+# Линейная регрессия
+lr = LinearRegression()
+lr.fit(X, y)
+
+# Многослойный персептрон
+mlp = MLPRegressor(hidden_layer_sizes=(10,), alpha=0.01, random_state=42)
+mlp.fit(X, y)
+
+# Персептрон
+perceptron = MLPClassifier(hidden_layer_sizes=(1,), random_state=42)
+perceptron.fit(X, y)
+
+# Создаем сетку точек для предсказания моделей
+xx, yy = np.meshgrid(np.linspace(-2, 3, 1000), np.linspace(-2, 2, 1000))
+Z_lr = lr.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
+Z_mlp = mlp.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
+Z_perceptron = perceptron.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
+
+# Отображаем данные и предсказания моделей
+plt.figure(figsize=(18, 6))
+
+# График линейной регрессии
+plt.subplot(1, 3, 1)
+plt.contourf(xx, yy, Z_lr, cmap=plt.cm.RdBu, alpha=0.8)
+plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu, edgecolors='k')
+plt.title("Линейная регрессия")
+
+# График многослойного персептрона
+plt.subplot(1, 3, 2)
+plt.contourf(xx, yy, Z_mlp, cmap=plt.cm.RdBu, alpha=0.8)
+plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu, edgecolors='k')
+plt.title("Многослойный персептрон")
+
+# График персептрона
+plt.subplot(1, 3, 3)
+plt.contourf(xx, yy, Z_perceptron, cmap=plt.cm.RdBu, alpha=0.8)
+plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu, edgecolors='k')
+plt.title("Персептрон")
+
+print("Линейная регрессия:", lr.score(X, y))
+print("Многослойный персептрон:", mlp.score(X, y))
+print("Персептрон:", perceptron.score(X, y))
+
+# Показываем графики
+plt.show()