iter3

antonov_dmitry_lab_1/README.md

@@ -15,15 +15,38 @@ n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
 
 # Графики
 
+<div>
+Качество каждой модели может быть оценено на основе среднеквадратичной ошибки (MSE). 
+Более низкий MSE указывает на лучшее соответствие данным. 
+Однако выбор модели зависит от набора данных и лежащей в основе взаимосвязи между объектами и целевой переменной.
+
+Линейная регрессия: Линейная регрессия предполагает линейную зависимость между признаками и целевой переменной.
+Это хорошо работает, когда взаимосвязь линейна, а шум в наборе данных минимален.
+Лучше всего сработала на наборе лун. Хуже всего на кругах.
+На линейном наборе показала себя на равне с остальными.
+
+Полиномиальная и гребневая показали примерно одинаково на всех наборах.
+
+Полиномиальная регрессия (степень=3):
+Полиномиальная регрессия обеспечивает более гибкую подгонку за счет полинома более высокого порядка(кубическая кривая).
+Она может выявить более сложные взаимосвязи между объектами и целевой переменной.
+Она может сработать лучше, чем линейная регрессия, если истинная взаимосвязь нелинейна.
+
+Гребневая регрессия (степень= 3, альфа=1,0):
+В случае полиномиальной регрессии с регуляризацией (альфа=1,0) модель добавляет коэффициент регуляризации
+для управления сложностью обучения. Регуляризация помогает предотвратить переобучение, когда набор
+данных содержит шум или когда он ограничен.
+</div>
+
 <p>
     <div>Набор лун (moon_dataset)</div>
-    <img src="screens/myplot1.png" width="200" title="датасет 1">
+    <img src="screens/myplot1.png" width="650" title="датасет 1">
 </p>
 <p>
     <div>Графики регрессии</div>
-    <img src="screens/myplot2.png" width="200" title="линейная модель">
+    <img src="screens/myplot2.png" width="450" title="линейная модель">
-    <img src="screens/myplot3.png" width="200" title="полиномиальная модель">
+    <img src="screens/myplot3.png" width="450" title="полиномиальная модель">
-    <img src="screens/myplot4.png" width="200" title="гребневая модель">
+    <img src="screens/myplot4.png" width="450" title="гребневая модель">
     <div>
         Линейная MSE: 0.0936
         Полиномиальная (degree=3) MSE: 0.0674
@@ -33,13 +56,13 @@ n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
 
 <p>
     <div>Набор кругов (circles_dataset)</div>
-    <img src="screens/myplot5.png" width="200" title="датасет 2">
+    <img src="screens/myplot5.png" width="650" title="датасет 2">
 </p>
 <p>
   <div>Графики регрессии</div>
-    <img src="screens/myplot6.png" width="200" title="линейная модель">
+    <img src="screens/myplot6.png" width="450" title="линейная модель">
-    <img src="screens/myplot7.png" width="200" title="полиномиальная модель">
+    <img src="screens/myplot7.png" width="450" title="полиномиальная модель">
-    <img src="screens/myplot8.png" width="200" title="гребневая модель">
+    <img src="screens/myplot8.png" width="450" title="гребневая модель">
     <div>
         Линейная MSE: 0.2684
         Полиномиальная (degree=3) MSE: 0.1341
@@ -49,13 +72,13 @@ n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
 
 <p>
     <div>Набор линейный (linearly_dataset)</div>
-    <img src="screens/myplot9.png" width="200" title="датасет 3">
+    <img src="screens/myplot9.png" width="650" title="датасет 3">
 </p>
 <p>
     <div>Графики регрессии</div>
-    <img src="screens/myplot10.png" width="200" title="линейная модель">
+    <img src="screens/myplot10.png" width="450" title="линейная модель">
-    <img src="screens/myplot11.png" width="200" title="полиномиальная модель">
+    <img src="screens/myplot11.png" width="450" title="полиномиальная модель">
-    <img src="screens/myplot12.png" width="200" title="гребневая модель">
+    <img src="screens/myplot12.png" width="450" title="гребневая модель">
     <div>
         Линейная MSE: 0.1101
         Полиномиальная (degree=3) MSE: 0.1045

antonov_dmitry_lab_1/lab1.py

@@ -68,7 +68,7 @@ for ds_cnt, ds in enumerate(datasets):
 
     # График линейной модели
     plt.figure(figsize=(10, 6))
-    plt.scatter(X_test[:, 0], linear_predictions, c=linear_predictions, cmap='coolwarm')
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=linear_predictions, cmap='coolwarm')
     plt.title('Линейная ds'+ str(ds_cnt))
     plt.xlabel('X')
     plt.ylabel('Y')
@@ -76,7 +76,7 @@ for ds_cnt, ds in enumerate(datasets):
 
     # График полиномиальной модели (degree=3)
     plt.figure(figsize=(10, 6))
-    plt.scatter(X_test[:, 0], poly_predictions, c=poly_predictions, cmap='coolwarm')
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=poly_predictions, cmap='coolwarm')
     plt.title('Полиномиальная (degree=3) ds' + str(ds_cnt))
     plt.xlabel('X')
     plt.ylabel('Y')
@@ -84,7 +84,7 @@ for ds_cnt, ds in enumerate(datasets):
 
     # График гребневой модели (degree=3, alpha=1.0)
     plt.figure(figsize=(10, 6))
-    plt.scatter(X_test[:, 0], poly_alpha_predictions, c=poly_alpha_predictions, cmap='coolwarm')
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=poly_alpha_predictions, cmap='coolwarm')
     plt.title('Гребневая (degree=3, alpha=1.0) ds' + str(ds_cnt))
     plt.xlabel('X')
     plt.ylabel('Y')