Merge pull request 'shadaev_anton_lab_5' (#135) from shadaev_anton_lab_5 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/135

shadaev_anton_lab_5/README.md

@@ -0,0 +1,32 @@
+# IIS_2023_1
+### Задание
+Использовать  регрессию по  вариантудля  данных  из  таблицы  1  по варианту(таблица  10),самостоятельно  сформулировав  задачу.  Оценить, насколько хорошо онаподходит для решения сформулированной вамизадачи.
+
+4. Гребневая регрессия.
+
+### Способ запуска лабораторной работы
+Выполнить скрипт `shadaev_anton_lab_5/main.py`, после которого построится график.
+
+### Стек технологий
+* `Python`: v. 3.11
+* `Pandas` - библиотека, которая позволяет работать с двумерными и многомерными таблицами, строить сводные таблицы, выделять колонки, использовать фильтры по параметрам, выполнять группировку по параметрам, запускать функции (сложение, нахождение медианы, среднего, минимального, максимального значений), объединять таблицы и многое другое
+* `Sklearn` - предоставляет ряд инструментов для моделирования данных, включая классификацию, регрессию, кластеризацию и уменьшение размерности.
+* `Matplotlib` - это библиотека для визуализации данных в Python, предоставляющая инструменты для создания статических, анимированных и интерактивных графиков и диаграмм.
+
+### Описание кода
+1. Импортирование необходимых библиотек.
+2. Выделение необходимых признаков.
+3. Разделение данных на обучающие и тестовые.
+4. Обучение и прогнозирование модели, применение алгоритма гребневой регрессии.
+5. Вычисление метрик (среднеквадратичная ошибка и коэффициент детерминации).
+6. Визуализация данных.
+
+График:
+
+![myplot.png](myplot.png)
+
+### Вывод
+* Среднеквадратичная ошибка = 0.179 (низкий), что говорит нам о том, что тестовые и предсказанные значения получились довольно точными.
+* Коэффициент детерминации = 0.01, что означает, что только 1% дисперсии зависимой переменной может быть объяснено моделью. Это очень низкое значение, что указывает на то, что модель не очень хорошо объясняет данные.
+
+Таким образом, гребневая регрессия не может быть применена к нашей задаче.

shadaev_anton_lab_5/main.py

@@ -0,0 +1,32 @@
+import pandas as pd
+from sklearn.linear_model import Ridge
+from sklearn import metrics
+from sklearn.preprocessing import MinMaxScaler
+import matplotlib.pyplot as plt
+
+# Загрузка данных и разделение на обучающий и тестовый наборы
+data = pd.read_csv('stroke_prediction_ds.csv')
+data = data.dropna()
+
+scaler = MinMaxScaler()
+x = data[['age', 'hypertension', 'heart_disease']] # выделение признаков (возраст, гипертензия, сердечные заболевания)
+y = scaler.fit_transform(data['avg_glucose_level'].values.reshape(-1, 1)).flatten() # масштабирование данных
+
+split_point = round(len(data) * 0.99) # 99% данных
+x_train, x_test = x.iloc[:split_point], x.iloc[split_point:] # x_train читает 99% данных, а x_test - оставшийся 1%
+y_train, y_test = y[:split_point], y[split_point:] # y_train читает 99% данных, а y_test - оставшийся 1%
+
+# Обучение модели и прогнозирование, применение алгоритма гребневой регрессии
+rid = Ridge(alpha=1.0).fit(x_train.values, y_train)
+y_predict = rid.predict(x_test.values)
+
+# Вычисление метрик и построение графика (среднеквадратичная ошибка и коэффициент детерминации)
+mid_square = round(metrics.mean_squared_error(y_test, y_predict) ** 0.5, 3)
+coeff_determ = round(metrics.r2_score(y_test, y_predict), 2)
+
+# Визуализация данных
+plt.plot(y_test, c="red", label="y_test")
+plt.plot(y_predict, c="orange", label=f"y_pred\nmean_squared_error (mid_square) = {mid_square}\nCoefficient of determination (coeff_determ) = {coeff_determ}")
+plt.legend(loc='upper right')
+plt.title("Гребневая регрессия")
+plt.show()