Merge pull request 'romanova_adelina_lab_1 is ready' (#36) from romanova_adelina_lab_1 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/36

romanova_adelina_lab_1/README.md

@@ -0,0 +1,69 @@
+
+# Лабораторная №1. Вариант №21
+
+## Тема: 
+Работа с типовыми наборами данных и различными моделями
+## Задание:
+
+Сгенерировать определённый тип данных, сравнить на нём разные модели и отобразить качество на графиках.
+
+Данные: make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1) 
+
+Модели: 
+- Линейная регрессия 
+- Полиномиальная регрессия (со степенью 5)
+- Гребневая полиномиальная регрессия (со степенью 5, alpha = 1.0)
+
+## Как запустить программу?
+Необходимо запустить файл **main.py**
+## Использованные технологии
+
+Этот код использует несколько библиотек и технологий для создания синтетических данных, обучения различных моделей регрессии и визуализации результатов. Вот краткое описание использованных технологий:
+
+1. **NumPy** - это библиотека для работы с массивами и матрицами чисел. Она используется для создания и манипуляции данными.
+
+1. **Matplotlib** - это библиотека для создания графиков и визуализации данных. Она используется для отображения данных на графиках.
+
+1. **Scikit-learn** - это библиотека машинного обучения, которая предоставляет множество инструментов для обучения моделей и анализа данных. В этом коде используются следующие модули из этой библиотеки:
+
+- *make_classification* - используется для генерации синтетических данных классификации.
+- *train_test_split* - используется для разделения данных на обучающий и тестовый наборы.
+- *linearRegression* - используется для создания и обучения линейной регрессии.
+- *polynomialFeatures* - используется для создания полиномиальных признаков.
+- *ridge* - используется для создания и обучения гребневой полиномиальной регрессии.
+- *r2_score* - используется для вычисления коэффициента детерминации модели.
+
+## Описание работы
+
+Сначала программа использует функцию **make_classification** для создания синтетических данных. Эти данные представляют собой два признака и являются результатом задачи классификации. Всего создается 500 точек данных.
+
+Сгенерированные данные разделяются на обучающий и тестовый наборы с использованием функции **train_test_split**. Обучающий набор содержит 80% данных, а тестовый набор - 20%. 
+
+Далее прооисходит обучение моделей. Для каждой строятся графики, на которых отображаются тестовые данные и предсказанные значения для оценки, насколько хорошо модель соответствует данным.
+
+Для каждой модели программа вычисляет коэффициент детерминации с использованием функции **r2_score**.
+
+Программа создает, обучает и визуализирует три модели регрессии и позволяет оценить их производительность на сгенерированных данных.
+
+## Выходные данные
+Была выведена следующая точность у моделей:
+```
+Линейная регрессия с точностью 0.52 
+Полиномиальная регрессия с точностью -0.20 
+Гребневая полиномиальная регрессия с точностью -0.09
+```
+Графики результатов построены следующим образом:
+- Линейная регрессия
+
+![](1.png "")
+
+- Полиномиальная регрессия
+
+![](2.png "")
+
+- Гребневая полиномиальная регрессия
+
+![](3.png "")
+
+Линейная регрессия показала наилучшую точность с точностью, равной 0.52, что указывает на приемлемую предсказательную способность модели. Полиномиальная и гребневая полиномиальная регрессии со значениями -0.20 и -0.09 соответственно, демонстрируют низкую точность. 
+

romanova_adelina_lab_1/main.py

@@ -0,0 +1,79 @@
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.datasets import make_classification
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression, Ridge
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.metrics import mean_squared_error, r2_score
+
+# Данные:
+# make_classification (
+# n_samples=500           - Общее количество точек данных
+# n_features=2,           - Количество признаков
+# n_redundant=0,          - Количество избыточных признаков
+# n_informative=2         - Количество информативных признаков
+# random_state=rs         - Задаем случайное состояние для воспроизводимости
+# n_clusters_per_class=1  - Количество кластеров для каждого класса)
+
+# Используемые модели:
+# 1. Линейная регрессию
+# 2. Полиномиальная регрессия (со степенью 5)
+# 3. Гребневая полиномиальная регрессия (со степенью 5, alpha = 1.0)
+
+# Генерация данных
+X, y = make_classification(n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=42, n_clusters_per_class=1)
+
+# Разделение данных на обучающий и тестовый наборы
+
+# train_test_split - функция разделения данных на обучающий и тестовый наборы
+# test_size - доля данных, которая будет использоваться для тестирования модели (20% для тестирования)
+# random_state - установка начального состояния генератора случайных чисел
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Обучение моделей
+
+# Линейная регрессия
+lr = LinearRegression()
+lr.fit(X_train, y_train)
+y_lr_pred = lr.predict(X_test)
+r2_lr = r2_score(y_test, y_lr_pred)
+
+# Полиномиальная регрессия
+poly = PolynomialFeatures(degree=5)
+X_train_poly = poly.fit_transform(X_train)
+X_test_poly = poly.transform(X_test)
+lr_poly = LinearRegression()
+lr_poly.fit(X_train_poly, y_train)
+y_poly_pred = lr_poly.predict(X_test_poly)
+r2_poly = r2_score(y_test, y_poly_pred)
+
+# Гребневая полиномиальная регрессия
+ridge = Ridge(alpha=1.0)
+ridge.fit(X_train_poly, y_train)
+y_ridge_pred = ridge.predict(X_test_poly)
+r2_ridge = r2_score(y_test, y_ridge_pred)
+
+# Графики
+
+# Функция для отображения точек на графике
+def plot_with_labels(X, y, title, xlabel, ylabel):
+    plt.figure(figsize=(12, 6))
+    plt.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis', marker='.', label='Тестовые данные')
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap='viridis', marker='o', edgecolors='black', linewidths=0.5, label='Обучающие данные')
+    plt.title(title)
+    plt.xlabel(xlabel)
+    plt.ylabel(ylabel)
+    plt.legend()
+    plt.show()
+
+# График для линейной регрессии
+plot_with_labels(X_test, y_lr_pred, 'Линейная регрессия', 'Признак 1', 'Признак 2')
+print(f'Линейная регрессия - Точность: {r2_lr:.2f}')
+
+# График для полиномиальной регрессии
+plot_with_labels(X_test, y_poly_pred, 'Полиномиальная регрессия', 'Признак 1', 'Признак 2')
+print(f'Полиномиальная регрессия - Точность: {r2_poly:.2f}')
+
+# График для гребневой полиномиальной регрессии
+plot_with_labels(X_test, y_ridge_pred, 'Гребневая полиномиальная регрессия', 'Признак 1', 'Признак 2')
+print(f'Гребневая полиномиальная регрессия - Точность: {r2_ridge:.2f}')