Merge pull request 'shestakova_maria_lab_5 is ready' (#224) from shestakova_maria_lab_5 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/224

shestakova_maria_lab_5/README.md

@@ -0,0 +1,29 @@
+### Задание:
+
+Использовать полиномиальную регрессию для данных, самостоятельно сформулировав задачу. Оценить, насколько хорошо она подходит для решения сформулированной вами задачи: предсказание качества сна на основе некоторых других признаков
+
+### Технологии:
+
+Библиотека Scikit-learn, библиотека pandas, библиотека matplotlib
+
+### Что делает лабораторная:
+
+Лабораторная работа предсказывает качество сна, используя следующие признаки: уровень стресса, возраст, пол, уровень физической активности и категория индекса массы тела.
+
+### Как запустить:
+
+Лабораторная работа запускается в файле `shestakova_maria_lab_5.py` через Run: открывается окно и появляется вывод в консоли
+
+### Вывод:
+
+График:
+
+![img2.png](scatter.png)
+
+На графике показаны синие маркеры - тестовые результаты и черные маркеры - предсказанные результаты
+
+Консоль:
+
+![результат в консоли](mark.png)
+
+По оценке пожно увидеть, что алгоритм показывает достаточно точные результаты обучения

shestakova_maria_lab_5/shestakova_maria_lab_5.py

@@ -0,0 +1,40 @@
+from matplotlib import pyplot as plt
+from sklearn import metrics
+from sklearn.linear_model import LinearRegression
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import PolynomialFeatures, LabelEncoder
+from sklearn.pipeline import Pipeline
+import pandas as pd
+
+# Загрузка данных из файла
+data = pd.read_csv('sleep.csv')
+
+# Преобразование категориальных признаков в числовые значения
+label_encoder = LabelEncoder()
+data['Gender'] = label_encoder.fit_transform(data['Gender'])
+data['BMI Category'] = label_encoder.fit_transform(data['BMI Category'])
+
+# Выделение признаков и целевой переменной
+x = data[['Stress Level', 'Age', 'Gender', 'Physical Activity Level', 'BMI Category']]
+y = data[['Quality of Sleep']]
+
+# Разделение данных на обучающую и тестовую выборки
+x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.1, random_state=27)
+
+# Создание модели с использованием полиномиальных признаков и линейной регрессии
+poly = Pipeline([('poly', PolynomialFeatures(degree=3)), ('linear', LinearRegression())])
+poly.fit(x_train, y_train)
+
+# Предсказание целевой переменной на тестовой выборке
+y_predicted = poly.predict(x_test)
+
+# Вывод оценки качества модели
+print('Оценка:')
+print(metrics.r2_score(y_test, y_predicted))
+
+# Визуализация сравнения истинных значений и предсказанных значений
+plt.figure(1, figsize=(16, 9))
+plt.title('Сравнение')
+plt.scatter(x=[i for i in range(len(x_test))], y=y_test, c='blue', s=5)
+plt.scatter(x=[i for i in range(len(x_test))], y=y_predicted, c='black', s=5)
+plt.show()