Merge pull request 'mashkova_margarita_lab_1 ready' (#182) from mashkova_margarita_lab_1 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/182

mashkova_margarita_lab_1/README.md

@@ -0,0 +1,59 @@
+# Лабораторная работа №1
+## ПИбд-42 Машкова Маргарита (Вариант 19)
+## Задание
+Cгенерировать определенный тип данных и сравнить  на  нем  3  модели  по  варианту.
+Построить графики, отобразить качество моделей, объяснить полученные результаты.
+
+### Данные: 
+> make_moons (noise=0.3, random_state=rs)
+
+### Модели:
+
+> - Линейная регрессия
+> - Полиномиальная регрессия (со степенью 5)
+> - Гребневая полиномиальная регрессия (со степенью 5, alpha= 1.0)
+
+## Запуск программы
+Для запуска программы необходимо запустить файл main.py
+
+## Используемые технологии
+> **Язык программирования:** python
+> 
+> **Библиотеки:**
+> - `matplotlib` - пакет для визуализации данных.
+> - `sklearn` - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.
+## Описание работы программы
+
+Изначально генерируются синтетические данные Х и у для проведения экспериментов  при помощи функции `make_moons` с заданными параметрами.
+Функция `train_test_split` делит данные так, что тестовая выборка составляет 40% от исходного набора данных. 
+Разделение происходит случайным образом (т.е. элементы берутся из исходной выборки не последовательно).
+После чего для каждой из заданных по варианту моделей выполняются следующие действия:
+1. Создание модели с заданными параметрами.
+2. Обучение модели на исходных данных.
+3. Предсказание модели на тестовых данных.
+4. Оценка качества модели по 3 метрикам:
+
+* **Коэффициент детерминации**: метрика, которая измеряет, насколько хорошо модель соответствует данным. 
+Принимает значения от 0 до 1, где 1 означает идеальное соответствие модели данным, а значения ближе к 0 указывают на то, 
+что модель плохо объясняет вариацию в данных. Для вычисления коэффициента детерминации модели используется метод `score` библиотеки scikit-learn.
+
+* **Средняя абсолютная ошибка (MAE):** Для вычисления данной метрики используется метод `mean_absolute_error` библиотеки scikit-learn.
+* **Средняя квадратичная ошибка (MSE):** Для вычисления данной метрики используется метод `mean_squared_error` библиотеки scikit-learn.
+
+Последние 2 метрики измеряют разницу между предсказанными значениями модели и фактическими значениями. 
+Меньшие значения MAE и MSE указывают на лучшую производительность модели.
+
+Вычисленные значения метрик выводятся в консоль.
+
+После чего строятся графики, отображающие работу моделей. На первом графике отображаются ожидаемые результаты предсказания, 
+на остальных - предсказания моделей. Чем меньше прозрачных точек - тем лучше отработала модель.
+
+## Тесты
+
+![Вывод в консоли](console.png)
+
+![Графики](plots.png)
+ 
+**Вывод:** исходя из полученных результатов, схожую хорошую производительность имеют 
+линейная регрессия и гребневая полиномиальная регрессия. 
+Самую низкую производительность имеет полиномиальная регрессия.

mashkova_margarita_lab_1/main.py

@@ -0,0 +1,85 @@
+from random import randrange
+from sklearn.datasets import make_moons
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.pipeline import make_pipeline
+from sklearn.linear_model import Ridge
+from sklearn.metrics import mean_absolute_error, mean_squared_error
+import matplotlib.pyplot as plt
+
+rs = randrange(42)
+
+# Генерация данных
+X, y = make_moons(noise=0.3, random_state=rs)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=rs)
+
+# Линейная регрессия
+linear = LinearRegression()
+# Обучение модели
+linear.fit(X_train, y_train)
+# Предсказание на тестовых данных
+y_pred_linear = linear.predict(X_test)
+# Оценка модели на тестовых данных (коэффициент детерминации)
+linear_score = linear.score(X_test, y_test)
+# Оценка модели на тестовых данных (cредняя абсолютная ошибка)
+linear_mae = mean_absolute_error(y_test, y_pred_linear)
+# Оценка модели на тестовых данных (cредняя квадратичная ошибка)
+linear_mse = mean_squared_error(y_test, y_pred_linear)
+
+# Полиномиальная регрессия
+poly = make_pipeline(PolynomialFeatures(degree=5), LinearRegression())
+# Обучение модели
+poly.fit(X_train, y_train)
+# Предсказание на тестовых данных
+y_pred_poly = poly.predict(X_test)
+# Оценка модели на тестовых данных (коэффициент детерминации)
+poly_score = poly.score(X_test, y_test)
+# Оценка модели на тестовых данных (cредняя абсолютная ошибка)
+poly_mae = mean_absolute_error(y_test, y_pred_poly)
+# Оценка модели на тестовых данных (cредняя квадратичная ошибка)
+poly_mse = mean_squared_error(y_test, y_pred_poly)
+
+# Гребневая полиномиальная регрессия
+ridge = make_pipeline(PolynomialFeatures(degree=5), Ridge(alpha=1.0))
+# Обучение модели
+ridge.fit(X_train, y_train)
+# Предсказание на тестовых данных
+y_pred_ridge = ridge.predict(X_test)
+# Оценка модели на тестовых данных (коэффициент детерминации)
+ridge_score = ridge.score(X_test, y_test)
+# Оценка модели на тестовых данных (cредняя абсолютная ошибка)
+ridge_mae = mean_absolute_error(y_test, y_pred_ridge)
+# Оценка модели на тестовых данных (cредняя квадратичная ошибка)
+ridge_mse = mean_squared_error(y_test, y_pred_ridge)
+
+# Вывод оценки качества моделей в консоль
+print("Оценка качества предсказания моделей на тестовых данных:\n")
+
+print("Линейная регрессия:")
+print("Коэффициент детерминации: %f" % linear_score)
+print("Средняя абсолютная ошибка: %f" % linear_mae)
+print("Средняя квадратичная ошибка: %f\n" % linear_mse)
+
+print("Полиномиальная регрессия:")
+print("Коэффициент детерминации: %f" % poly_score)
+print("Средняя абсолютная ошибка: %f" % poly_mae)
+print("Средняя квадратичная ошибка: %f\n" % poly_mse)
+
+print("Гребневая полиномиальная регрессия:")
+print("Коэффициент детерминации: %f" % ridge_score)
+print("Средняя абсолютная ошибка: %f" % ridge_mae)
+print("Средняя квадратичная ошибка: %f\n" % ridge_mse)
+
+# Отображение графиков
+fig, axs = plt.subplots(1, 4, figsize=(15, 5))
+axs[0].set_title("Исходные тестовые данные")
+axs[0].scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap="bwr")
+axs[1].set_title("Линейная регрессия")
+axs[1].scatter(X_test[:, 0], X_test[:, 1], c=y_pred_linear, cmap="bwr")
+axs[2].set_title("Полиномиальная регрессия")
+axs[2].scatter(X_test[:, 0], X_test[:, 1], c=y_pred_poly, cmap="bwr")
+axs[3].set_title("Гребневая полиномиальная регрессия")
+axs[3].scatter(X_test[:, 0], X_test[:, 1], c=y_pred_ridge, cmap="bwr")
+plt.savefig('plots.png')
+plt.show()