lab1 is done

sergeev_evgenii_lab_1/.idea/.gitignore

@@ -0,0 +1,3 @@
+# Default ignored files
+/shelf/
+/workspace.xml

sergeev_evgenii_lab_1/lab1.py

@@ -0,0 +1,92 @@
+import numpy as np
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.linear_model import LinearRegression, Ridge
+from sklearn.metrics import mean_squared_error
+from sklearn.model_selection import train_test_split
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import StandardScaler, PolynomialFeatures
+from sklearn.datasets import make_classification
+
+# Просто рандомное число для генерации одних и тех же данных
+rs = 10
+
+# Создаем данные с определенными параметрами
+# n_samples - количество объектов
+# n_features - количество признаков
+# n_redundant - количество ненужных признаков
+# n_informative - количество информативных признаков, которые учитываются (начиная с первого признака)
+# random_state - рандомное число для генерации одних и тех же данных
+# n_clusters_per_class - количество кластеров на класс
+# X - матрица признаков (объекты - строки), y - целевая переменная для предсказывания
+X, y = make_classification(n_samples=500,
+                           n_features=2,
+                           n_redundant=0,
+                           n_informative=2,
+                           random_state=rs,
+                           n_clusters_per_class=1)
+
+# Стандартизируем данные
+X = StandardScaler().fit_transform(X)
+
+# Разделяем наши данные на тестовые и тренировочные
+# test_size - % тренировочных
+# random_state - рандомное число для того, чтобы брать всегда определенные объекты
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=42)
+
+# Создаем рандомный генератор
+rng = np.random.RandomState(2)
+
+# Добавляем "рандом" в данные
+X += 2 * rng.uniform(size=X.shape)
+linearly_dataset = (X, y)
+
+# Создаем группу графиков 4 на 3
+figure = plt.figure(1, figsize=(16, 9))
+
+# Создаем n графиков
+axis = figure.subplots(4)
+
+# Лист цветов
+cm = ListedColormap(['#5b3655', "#18d1e4"])
+
+# Переменная для ошибок регрессий
+errors = []
+
+# Функция для выполнения всех регрессий (Линейной, полиномиальной, гребневой полиномиальной)
+def make_regression(model):
+    # Тренируем
+    model.fit(X_train, y_train)
+    # Проверяем
+    model = model.predict(X_test)
+    # Вычисляем ошибку
+    errors.append(mean_squared_error(y_test, model))
+    return model
+
+
+# Добавляет данные на графики
+def add_scatter(label, data, i):
+    # График данных по каждой модели
+    axis[i].scatter(X_test[:, 0], X_test[:, 1], c=data, cmap=cm)
+    axis[i].set_title(label)
+    axis[i].set_xlabel('X')
+    axis[i].set_ylabel('Y')
+
+
+# Получаем данные и добавляем для каждого график
+results = {add_scatter('Начальные', y_test, 0),
+           add_scatter('Линейная регрессия', make_regression(LinearRegression()), 1),
+           add_scatter('Полиномиальная регрессия',
+                       make_regression(make_pipeline(PolynomialFeatures(degree=3), LinearRegression())), 2),
+           add_scatter('Гребневая полиномиальная регрессия',
+                       make_regression(make_pipeline(PolynomialFeatures(degree=3), Ridge(alpha=1.0))), 3)
+           }
+
+# Добавляем расстояние между графиками
+figure.subplots_adjust(hspace=0.5)
+plt.show()
+
+# Сравнение качества регрессий
+print('Линейная - средняя ошибка', errors[0] * 100, ' %')
+print('Полиномиальная (степень=3) - средняя ошибка', errors[1] * 100, ' %')
+print('Гребневая (степень=3, alpha=1.0) - средняя ошибка', errors[2] * 100, ' %')

sergeev_evgenii_lab_1/readme.md

@@ -0,0 +1,34 @@
+# Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
+## Задание
+Сгенерировать определенный тип данных и сравнить на нем 3 модели. Построить графики, отобразить качество моделей,
+объяснить полученные результаты.
+Вариант 3 (24)
+Данные: make_classification 
+(n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1) 
+Модели:
+· Линейную регрессию
+· Полиномиальную регрессию (со степенью 3)
+· Гребневую полиномиальную регрессию (со степенью 3, alpha= 1.0)
+
+
+### Запуск программы
+Файл lab1.py содержит и запускает программу
+
+### Описание программы
+Генерирует набор данных, показывает окно с графиками и пишет среднюю ошибку моделей обучения
+Использует библиотеки: matplotlib для демонстрации графиков и sklearn для создания и использования моделей. 
+
+### Результаты тестирования
+Для значения rs=10 результаты такие:
+y - linear_y  - polyn_y - ridge_y
+0 -   0.092   -  0.058  -  0.062
+0 -   0.023   -  -0.132 -  -0.125
+1 -   1.32    -  0.789  -  0.8
+1 -   0.84    -  1.068  -  1.06
+
+### Вывод
+Из представленных данных можно сделать вывод,
+что линейная регрессия и гребневая регрессия,
+в целом, предсказывают значения, близкие к исходным,
+и хорошо справляются с задачей. Полиномиальная регрессия 
+иногда может давать менее точные прогнозы, особенно когда данные имеют сложную структуру.