commit 1

.idea/workspace.xml

@@ -65,7 +65,7 @@
       <recent name="D:\ulstukek\Course4\IIS\IISLabs\IIS_2023_1\zavrazhnova_svetlana_lab_1" />
     </key>
   </component>
-  <component name="RunManager">
+  <component name="RunManager" selected="Python.zavrazhnova_svetlana_lab3_2">
     <configuration name="zavrazhnova_svetlana_lab3_2" type="PythonConfigurationType" factoryName="Python" temporary="true" nameIsGenerated="true">
       <module name="IIS_2023_1" />
       <option name="INTERPRETER_OPTIONS" value="" />

istyukov_timofey_lab1/lab1.py

@@ -0,0 +1,111 @@
+# 12 вариант
+# 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
+# -- Персептрон
+# -- Гребневую полиномиальную регрессию (со степенью 4, alpha = 1.0)
+
+import numpy as np
+from sklearn.datasets import make_classification
+from sklearn.linear_model import LinearRegression, Perceptron, Ridge
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import mean_absolute_error, mean_squared_error, accuracy_score, balanced_accuracy_score
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import PolynomialFeatures
+
+
+
+cm_bright_1 = ListedColormap(['#7FFFD4', '#00FFFF'])
+cm_bright_2 = ListedColormap(['#FF69B4', '#FF1493'])
+
+def main():
+    X, y = make_classification(
+        n_samples=500,
+        n_features=2,
+        n_redundant=0,
+        n_informative=2,
+        random_state=0,
+        n_clusters_per_class=1)
+    rng = np.random.RandomState(2)
+    X += 2 * rng.uniform(size=X.shape)
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=10, random_state=40)
+
+    # модели на основе сгенерированных данных
+    my_linear_regression(X_train, X_test, y_train, y_test)
+    my_perceptron(X_train, X_test, y_train, y_test)
+    my_poly_ridge(X_train, X_test, y_train, y_test)
+
+
+# Линейная регрессия
+def my_linear_regression(X_train, X_test, y_train, y_test):
+    lin_reg_model = LinearRegression()  # создание модели регрессии
+    lin_reg_model.fit(X_train, y_train)  # обучение
+    y_pred = lin_reg_model.predict(X_test)  # предсказание по тестовым даннным
+
+    # вывод в консоль
+    print()
+    print('===> Линейная регрессия <===')
+    print('Оценка точности:')
+    print('MAE:', mean_absolute_error(y_test, y_pred))
+    print('MSE:', mean_squared_error(y_test, y_pred))
+    print()
+
+    # вывод в график
+    plt.title('Линейная регрессия')
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright_1)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright_2, alpha=0.8)
+    plt.plot(X_test, y_pred, color='red', linewidth=1)
+    plt.savefig('1_linear_regression.png')
+    plt.show()
+
+
+# Персептрон
+def my_perceptron(X_train, X_test, y_train, y_test):
+    perceptron_model = Perceptron()
+    perceptron_model.fit(X_train, y_train)
+    y_pred = perceptron_model.predict(X_test)
+
+    # вывод в консоль
+    print()
+    print('===> Персептрон <===')
+    print('Оценка точности:')
+    print('По тренировочным данным: ', perceptron_model.score(X_train, y_train))
+    print('По тестовым данным: ', accuracy_score(y_test, y_pred))
+    print()
+
+    # вывод в график
+    plt.title('Персептрон')
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright_1)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright_2, alpha=0.8)
+    plt.plot(X_test, y_pred, color='red', linewidth=1)
+    plt.savefig('2_perceptron.png')
+    plt.show()
+
+
+# Гребневая полиномиальная регрессия (степень=4, alpha=1.0)
+def my_poly_ridge(X_train, X_test, y_train, y_test):
+    poly_rige_model = make_pipeline(PolynomialFeatures(degree=4), Ridge(alpha=1.0))
+    poly_rige_model.fit(X_train, y_train)
+    y_pred = poly_rige_model.predict(X_test)
+
+    # вывод в консоль
+    print()
+    print('===> Гребневая полиномиальная регрессия <===')
+    print('Оценка точности:')
+    print('MAE:', mean_absolute_error(y_test, y_pred))
+    print('MSE:', mean_squared_error(y_test, y_pred))
+    print()
+
+    # вывод в график
+    plt.title('Гребневая полиномиальная регрессия')
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright_1)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright_2, alpha=0.8)
+    plt.plot(X_test, y_pred, color='red', linewidth=1)
+    plt.savefig('3_poly_ridge.png')
+    plt.show()
+
+
+main()