kurmyza_pavel_lab_1 is ready

kurmyza_pavel_lab_1/README.md

@@ -0,0 +1,41 @@
+# Лабораторная работа №1
+
+## ПИбд-41, Курмыза Павел, Вариант 13
+
+### Данные:
+
+- make_moons (noise=0.3, random_state=rs)
+
+### Модели:
+
+- Линейную регрессию
+- Полиномиальную регрессию (со степенью 3)
+- Многослойный персептрон со 100-а нейронами в скрытом слое (alpha = 0.01)
+
+## Как запустить ЛР
+
+- Запустить файл main.py
+
+## Используемые технологии
+
+- Язык программирования Python
+- Библиотеки: sklearn, matplotlib, numpy
+
+## Что делает программа
+
+После генерации набора данных с помощью функции make_moons(), программа создает графики для моделей, которые указаны в
+задании. Затем она выводит в консоль качество данных для этих моделей.
+
+## Тесты
+
+### Консоль
+
+![Консольный вывод](console_output.jpg)
+
+### Графики
+
+![Графики](plots.jpg)
+
+### Вывод
+
+Исходя из этого, можно сделать вывод: лучший результат показала модель многослойного персептрона на 100 нейронах.

kurmyza_pavel_lab_1/main.py

@@ -0,0 +1,91 @@
+from random import randrange
+import numpy as np
+from sklearn.neural_network import MLPClassifier
+from sklearn.metrics import accuracy_score, mean_squared_error
+from matplotlib import pyplot as plt
+from sklearn.linear_model import LinearRegression
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.datasets import make_moons
+from sklearn.pipeline import make_pipeline
+
+RANDOM_STATE = randrange(50)
+
+# Генерация случайных данных на основе случайного состояния
+
+X, y = make_moons(noise=0.3, random_state=RANDOM_STATE)
+
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=RANDOM_STATE)
+
+# Полиномиальная регрессия (3 степень)
+
+DEGREE = 3
+
+poly_regression = make_pipeline(PolynomialFeatures(degree=DEGREE), LinearRegression())  # создание модели
+poly_regression.fit(X_train, y_train)  # обучение
+y_pred_poly_regression = poly_regression.predict(X_test)  # предсказание
+
+# Линейная регрессия
+
+linear_regression = LinearRegression()  # создание модели
+linear_regression.fit(X_train, y_train)  # обучение
+y_pred_linear_regression = linear_regression.predict(X_test)  # предсказание
+
+# Многослойный персептрон (100 нейронов)
+
+HIDDEN_LAYER_SIZES = 100
+ALPHA = 0.01
+
+perceptron_100 = MLPClassifier(hidden_layer_sizes=(HIDDEN_LAYER_SIZES,), alpha=ALPHA,
+                               random_state=RANDOM_STATE)  # создание модели
+perceptron_100.fit(X_train, y_train)  # обучение
+y_pred_perceptron_100 = perceptron_100.predict(X_test)  # предсказание
+
+# Оценка точности и вывод в консоль
+
+acc_linear_regression = mean_squared_error(y_test, y_pred_linear_regression)
+acc_poly_regression = mean_squared_error(y_test, y_pred_poly_regression)
+acc_perceptron_100 = accuracy_score(y_test, y_pred_perceptron_100)
+
+print(f"Оценка точности: "
+      f"\n Линейная регрессия: {acc_linear_regression}"
+      f"\n Полиномиальная регрессия (3 степень): {acc_poly_regression}"
+      f"\n Многослойный персептрон (100 нейронов): {acc_perceptron_100}")
+
+# Предсказание классов для точек графика для их визуализации
+
+x_min, y_min = X[:, 0].min() - 0.5, X[:, 1].min() - 0.5
+x_max, y_max = X[:, 0].max() + 0.5, X[:, 1].max() + 0.5
+
+xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))
+
+prediction_data = np.c_[xx.ravel(), yy.ravel()]
+
+Z_poly_regression = poly_regression.predict(prediction_data)
+Z_poly_regression = Z_poly_regression.reshape(xx.shape)
+
+Z_linear_regression = linear_regression.predict(prediction_data)
+Z_linear_regression = Z_linear_regression.reshape(xx.shape)
+
+Z_perceptron_100 = perceptron_100.predict(prediction_data)
+Z_perceptron_100 = Z_perceptron_100.reshape(xx.shape)
+
+
+# Отрисовка графиков
+
+def draw_graphic(title, nrows, ncols, index, Z):
+    plt.subplot(nrows, ncols, index)
+    plt.contourf(xx, yy, Z, alpha=0.8)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, alpha=0.6)
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train)
+    plt.title(title)
+    plt.xlabel('1 признак')
+    plt.ylabel('2 признак')
+
+
+draw_graphic('Линейная регрессия', 1, 3, 1, Z_linear_regression)
+draw_graphic('Полиномиальная регрессия', 1, 3, 2, Z_poly_regression)
+draw_graphic('Персептрон', 1, 3, 3, Z_perceptron_100)
+
+plt.tight_layout()
+plt.show()