kutygin_andrey_lab_5_ready

kutygin_andrey_lab_5/README.md

@@ -0,0 +1,37 @@
+**Задание**
+***
+Использовать регрессию по варианту для данных из таблицы 1 по варианту(таблица 10),самостоятельно сформулировав задачу. Оценить, насколько хорошо она подходит для решения сформулированной вами задачи
+Вариант 16 - полиномиальная регрессия
+
+**Как запустить лабораторную**
+***
+Запустить файл main.py
+
+**Используемые технологии**
+***
+Библиотеки pandas, matplotlib, scikit-learn, их компоненты
+
+**Описание лабораторной (программы)**
+***
+Программа загружает данные о наблюдениях НЛО из CSV файла. Затем она разделяет данные на признаки (latitude и longitude) и целевую переменную (length_of_encounter_seconds). Далее происходит преобразование столбца date_time в числовой формат с помощью pd.to_datetime. После этого данные разделяются на обучающую и тестовую выборки с использованием train_test_split.
+
+Далее программа создает полиномиальные признаки второй степени с помощью PolynomialFeatures. Затем модель полиномиальной регрессии обучается на обучающих данных с помощью LinearRegression. После обучения модель оценивается на обучающей и тестовой выборках, вычисляя значения предсказаний и используя метрики MSE (среднеквадратичная ошибка) и R^2 (коэффициент детерминации).
+
+В конце программы выводятся значения MSE и R^2 для обучающей и тестовой выборок.
+**Результат**
+***
+Train MSE: 10388560458125.451
+
+Test MSE: 340591245157.4829
+
+Train R^2: 0.024274600175043015
+
+Test R^2: 0.13630563714232358
+
+На основе представленных значений можно сделать следующие выводы:
+
+1. Значение MSE (среднеквадратичная ошибка) для обучающей выборки составляет 10,388,560,458,125.451, а для тестовой выборки - 340,591,245,157.4829. Значения MSE высокие, что может указывать на низкую точность модели. 
+
+2. Значение R^2 (коэффициент детерминации) для обучающей выборки равно 0.024274600175043015, а для тестовой выборки - 0.13630563714232358. Значения R^2 близки к нулю, что означает, что модель не очень хорошо объясняет вариацию целевой переменной.
+
+Таким образом, полученные результаты говорят о том, что модель полиномиальной регрессии, построенная на основе данных о наблюдениях НЛО, не является очень точной и не обладает высокой предсказательной способностью. Из чего можно сделать вывод, что мои предположения насчет предсказывания времени наблюдения, на основе данных долготы и широты, не оправданы.

kutygin_andrey_lab_5/main.py

@@ -0,0 +1,48 @@
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.linear_model import LinearRegression
+from sklearn.metrics import mean_squared_error, r2_score
+from datetime import datetime
+
+# Загрузка данных
+try:
+    data = pd.read_csv('ufo_sighting_data.csv')
+except Exception as e:
+    print("Ошибка при чтении файла:", e)
+
+# Разделение признаков и целевой переменной
+X = data[['latitude', 'longitude']]  # Оставляем только числовые признаки, такие как latitude и longitude
+y = data['length_of_encounter_seconds']
+
+# Преобразование столбца date_time в числовой формат с использованием timestamp
+data[['date','time']] = data['date_time'].str.split(expand=True)
+data['date_time'] = (pd.to_datetime(data.pop('date'), format='%d/%m/%Y') +
+                  pd.to_timedelta(data.pop('time') + ':00'))
+
+# 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=42)
+
+# Создание полиномиальных признаков
+poly_features = PolynomialFeatures(degree=2)
+X_train_poly = poly_features.fit_transform(X_train)
+X_test_poly = poly_features.transform(X_test)
+
+# Обучение модели полиномиальной регрессии
+model = LinearRegression()
+model.fit(X_train_poly, y_train)
+
+# Оценка модели
+y_train_pred = model.predict(X_train_poly)
+y_test_pred = model.predict(X_test_poly)
+
+# Оценка метрик модели
+train_mse = mean_squared_error(y_train, y_train_pred)
+test_mse = mean_squared_error(y_test, y_test_pred)
+train_r2 = r2_score(y_train, y_train_pred)
+test_r2 = r2_score(y_test, y_test_pred)
+
+print("Train MSE:", train_mse)
+print("Test MSE:", test_mse)
+print("Train R^2:", train_r2)
+print("Test R^2:", test_r2)