Add lab5

shadaev_anton_lab_5/README.md

@@ -1,7 +1,11 @@
 # 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
@@ -10,5 +14,19 @@
 * `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

@@ -1 +1,32 @@
-print('test')
+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()