arutunyan_dmitry_lab_1 is ready

2023-10-07 19:28:43 +04:00 · 2023-10-07 19:28:43 +04:00 · bbb46d3cd1
commit bbb46d3cd1
parent 06116369e5
45 changed files with 182 additions and 826 deletions
--- a/.idea/.gitignore
+++ b/.idea/.gitignore
@ -1,3 +0,0 @@
-# Default ignored files
-/shelf/
-/workspace.xml
--- a/.idea/IIS_2023_1.iml
+++ b/.idea/IIS_2023_1.iml
@ -1,8 +0,0 @@
-<?xml version="1.0" encoding="UTF-8"?>
-<module type="PYTHON_MODULE" version="4">
-  <component name="NewModuleRootManager">
-    <content url="file://$MODULE_DIR$" />
-    <orderEntry type="jdk" jdkName="Python 3.8 (venv)" jdkType="Python SDK" />
-    <orderEntry type="sourceFolder" forTests="false" />
-  </component>
-</module>
--- a/.idea/inspectionProfiles/profiles_settings.xml
+++ b/.idea/inspectionProfiles/profiles_settings.xml
@ -1,6 +0,0 @@
-<component name="InspectionProjectProfileManager">
-  <settings>
-    <option name="USE_PROJECT_PROFILE" value="false" />
-    <version value="1.0" />
-  </settings>
-</component>
--- a/.idea/misc.xml
+++ b/.idea/misc.xml
@ -1,4 +0,0 @@
-<?xml version="1.0" encoding="UTF-8"?>
-<project version="4">
-  <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.8 (venv)" project-jdk-type="Python SDK" />
-</project>
--- a/.idea/modules.xml
+++ b/.idea/modules.xml
@ -1,8 +0,0 @@
-<?xml version="1.0" encoding="UTF-8"?>
-<project version="4">
-  <component name="ProjectModuleManager">
-    <modules>
-      <module fileurl="file://$PROJECT_DIR$/.idea/IIS_2023_1.iml" filepath="$PROJECT_DIR$/.idea/IIS_2023_1.iml" />
-    </modules>
-  </component>
-</project>
--- a/.idea/vcs.xml
+++ b/.idea/vcs.xml
@ -1,6 +0,0 @@
-<?xml version="1.0" encoding="UTF-8"?>
-<project version="4">
-  <component name="VcsDirectoryMappings">
-    <mapping directory="$PROJECT_DIR$" vcs="Git" />
-  </component>
-</project>
--- a/.idea/workspace.xml
+++ b/.idea/workspace.xml
@ -1,92 +0,0 @@
-<?xml version="1.0" encoding="UTF-8"?>
-<project version="4">
-  <component name="ChangeListManager">
-    <list default="true" id="0ceb130e-88da-4a20-aad6-17f5ab4226ac" name="Changes" comment="">
-      <change afterPath="$PROJECT_DIR$/zavrazhnova_svetlana_lab_2/result.png" afterDir="false" />
-    </list>
-    <option name="SHOW_DIALOG" value="false" />
-    <option name="HIGHLIGHT_CONFLICTS" value="true" />
-    <option name="HIGHLIGHT_NON_ACTIVE_CHANGELIST" value="false" />
-    <option name="LAST_RESOLUTION" value="IGNORE" />
-  </component>
-  <component name="FileTemplateManagerImpl">
-    <option name="RECENT_TEMPLATES">
-      <list>
-        <option value="Python Script" />
-      </list>
-    </option>
-  </component>
-  <component name="Git.Settings">
-    <option name="RECENT_GIT_ROOT_PATH" value="$PROJECT_DIR$" />
-  </component>
-  <component name="MarkdownSettingsMigration">
-    <option name="stateVersion" value="1" />
-  </component>
-  <component name="ProjectId" id="2VlZqWiOX68aCf0o2y0AtYJWURS" />
-  <component name="ProjectViewState">
-    <option name="hideEmptyMiddlePackages" value="true" />
-    <option name="showLibraryContents" value="true" />
-  </component>
-  <component name="PropertiesComponent"><![CDATA[{
-  "keyToString": {
-    "RunOnceActivity.OpenProjectViewOnStart": "true",
-    "RunOnceActivity.ShowReadmeOnStart": "true",
-    "last_opened_file_path": "D:/ulstukek/Course4/IIS/IISLabs/IIS_2023_1"
-  }
-}]]></component>
-  <component name="RecentsManager">
-    <key name="CopyFile.RECENT_KEYS">
-      <recent name="D:\ulstukek\Course4\IIS\IISLabs\IIS_2023_1\zavrazhnova_svetlana_lab_1" />
-    </key>
-  </component>
-  <component name="RunManager">
-    <configuration name="zavrazhnova_svetlana_lab_2" type="PythonConfigurationType" factoryName="Python" temporary="true" nameIsGenerated="true">
-      <module name="IIS_2023_1" />
-      <option name="INTERPRETER_OPTIONS" value="" />
-      <option name="PARENT_ENVS" value="true" />
-      <envs>
-        <env name="PYTHONUNBUFFERED" value="1" />
-      </envs>
-      <option name="SDK_HOME" value="" />
-      <option name="WORKING_DIRECTORY" value="$PROJECT_DIR$/zavrazhnova_svetlana_lab_2" />
-      <option name="IS_MODULE_SDK" value="true" />
-      <option name="ADD_CONTENT_ROOTS" value="true" />
-      <option name="ADD_SOURCE_ROOTS" value="true" />
-      <option name="SCRIPT_NAME" value="$PROJECT_DIR$/zavrazhnova_svetlana_lab_2/zavrazhnova_svetlana_lab_2.py" />
-      <option name="PARAMETERS" value="" />
-      <option name="SHOW_COMMAND_LINE" value="false" />
-      <option name="EMULATE_TERMINAL" value="false" />
-      <option name="MODULE_MODE" value="false" />
-      <option name="REDIRECT_INPUT" value="false" />
-      <option name="INPUT_FILE" value="" />
-      <method v="2" />
-    </configuration>
-    <recent_temporary>
-      <list>
-        <item itemvalue="Python.zavrazhnova_svetlana_lab_2" />
-      </list>
-    </recent_temporary>
-  </component>
-  <component name="SpellCheckerSettings" RuntimeDictionaries="0" Folders="0" CustomDictionaries="0" DefaultDictionary="application-level" UseSingleDictionary="true" transferred="true" />
-  <component name="TaskManager">
-    <task active="true" id="Default" summary="Default task">
-      <changelist id="0ceb130e-88da-4a20-aad6-17f5ab4226ac" name="Changes" comment="" />
-      <created>1695412818437</created>
-      <option name="number" value="Default" />
-      <option name="presentableId" value="Default" />
-      <updated>1695412818437</updated>
-    </task>
-    <servers />
-  </component>
-  <component name="Vcs.Log.Tabs.Properties">
-    <option name="TAB_STATES">
-      <map>
-        <entry key="MAIN">
-          <value>
-            <State />
-          </value>
-        </entry>
-      </map>
-    </option>
-  </component>
-</project>
--- a/README.md
+++ b/README.md
@ -1,70 +0,0 @@
-# IIS_2023_1
-
-ПРАВИЛА ИГРЫ при сдаче лабораторных работ по предмету "Интеллектуальные информационные системы".
-
-Всем Доброго времени суток! Настоятельно прошу прочитать этот файл от начала и до конца. 
-
-**Задание на л/р**
-
-0. Требования к языку программирования: python.
-Для выполнения лабораторных работ можно использовать любую IDE или текстовый редактор.
-
-1. Файл с заданиями находится в корне проекта ([MetodichkaMII_MO.pdf](http://student.git.athene.tech/Alexey/IIS_2023_1/src/branch/main/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D0%B8%D1%87%D0%BA%D0%B0%D0%9C%D0%98%D0%98_%D0%9C%D0%9E-1.pdf)). 
-
-2. Наши л/р показаны на [скриншоте](http://student.git.athene.tech/Alexey/IIS_2023_1/src/branch/main/labs.jpg). Или все 7 л/р по курсу "Машинное обучение".
-Обратите внимание, что лабораторные работы 3-7 выполняются на варианте данных вашей курсовой работы (Массивы данныхдля лабораторныхработ).
-
-**Воркфлоу по сдаче лабораторных работ**
-
-0. Клонируем себе репозиторий на компьютер
-
-> git clone http://student.git.athene.tech/Alexey/IIS_2023_1.git
-
-1. Для выполнения очередной лабораторной работы необходимо завести отдельную ветку (перед этим необходимо выполнить команду git checkout master). Указанный формат наименования ветки <фамилия_имя_lab_номер_лабораторной> ОБЯЗАТЕЛЕН, в противном случае лабораторная работа не проверяется!
-
-> git checkout -b "zhelepov_alex_lab_1"
-
-При этом Вы окажетесь в своей ветке, в которой Вам и предстоит выполнять лабораторную работу.
-
-2. В ветке создаём папку в аналогичном формате <фамилия_имя_lab_номер_лабораторной>, формат также ОБЯЗАТЕЛЕН, в противном случае лабораторная работа не проверяется!
-
-> mkdir zhelepov_alex_lab_1
-
-3. Весь код лабораторной работы и отчет должны находится внутри этой папки! То есть файловая структура репозитория должна иметь такой вид
-
-> ivanov_ivan_lab_1 zhelepov_alex_lab_1 README.md
-
-4. Отчет к лабораторной работе должен быть оформлен в виде файла readme.md, в котором Вы сможете дать краткое описание того, что делает Ваша программа. Очень хорошо (большой плюс при сдаче), если Вы опишите следующие пункты:
-* как запустить лабораторную работу
-* какие технологии использовали
-* что она делает
-* тесты, то есть несколько примеров входных и выходных значений
-
-Небольшой [гайд](https://guides.github.com/features/mastering-markdown/) по синтаксису для оформления отчёта.
-
-P.S. я знаю про хак "хочу скопировать у товарища этот волшебный readme и ничего не делать", но пожалуйста не делайте так (я буду обязательно проверять это) 
-
-4. Как только Вы закончили работу над лабораторной работой, то находясь в своей ветке (убедитесь в этом пожалуйста, использую команду git branch - ваша текущая ветка будет подсвечена), вы должны закоммитить и запушить свои изменения в репозиторий, другими словами сохранить их в репозиторий.
-
-> git commit -m "zhelepov_alex_lab_1 is ready"
-> git push origin
-
-P.S. я знаю про хак "скопируй у товарища и закоммить - все равно он (я) смотреть не будет" - не сработает - давайте быть честными и делать все самостоятельно. А во-вторых, на реальной работе так не прокатит - скорее всего Вас просто уволят.
-
-5. После этого Вы должны перейти в наш git и создать merge request, назначив его на меня. Дополнительно лучше маякнуть меня в нашем [телеграм-чате](https://t.me/+XSq2xEbEuD05N2Vi). Я проведу ревью и отпишу замечания, которые нужно будет исправить. Если все хорошо, то вмержу ваш pull-request в мастер-ветку. Данное состояние говорит о том, что ваша л/р принята.
-
-6. **Важный момент**: Устно я не принимаю лабораторные работы (подойти к компьютеру, посмотреть код, поставить оценку), только через репозиторий и после успешного code review ревью кода вашей л/р и ее результатов в виде отчета. Это делается для того, чтобы вы привыкали к воркфлоу, который применяется практически всеми IT-компаниями, где между разработчиками в основном общение идет через "текст". Что касается лабораторных работ в расписании - они используются в качестве консультаций, а сдача и проверка л/р идет только через репозиторий (то есть все замечания вы получаете на code review). Проверяю я обычно лабораторную в течение 1-3 дней после создания pull-request-а (всегда можно маякнуть меня в нашем telegram-чате).
-
-**Чек-лист для старост групп**
-
-0. Убедиться, что все из списка зашли в [телеграм-чат](https://t.me/+XSq2xEbEuD05N2Vi), где мы будем общаться + я буду публиковать различные объявления. ПОЖАЛУЙСТА, ОБРАТИТЕ НА ЭТО ВНИМАНИЕ и доведите до всех! В других каналах связя меня сложно выцепить или я могу пропустить сообщение.
-
-1. Убедиться, что все зарегистрировались на университетском [git](http://student.git.athene.tech/) и добавились для работы с нашим репозиторием. А добавляться в этот [репозиторий](http://student.git.athene.tech/Alexey/IIS_2023_1).
-
-**Полезные ссылки:**
-
-0. Отличный тьюториал по гиту (рекомендую всем его пройти), вот [тут](https://learngitbranching.js.org/)
-
-1. Гайд по markdown [тут](https://guides.github.com/features/mastering-markdown/)
-
-БОЛЬШОЕ СПАСИБО, что дочитали этот README до конца! И Удачи Вам в сдаче л/р и не только!
--- a/alexandrov_dmitrii_lab_1/lab1.py
+++ b/alexandrov_dmitrii_lab_1/lab1.py
@ -1,56 +0,0 @@
-import random
-from matplotlib import pyplot as plt
-from matplotlib.colors import ListedColormap
-from sklearn.datasets import make_moons
-from sklearn.linear_model import LinearRegression, Ridge
-from sklearn.model_selection import train_test_split
-from sklearn.preprocessing import PolynomialFeatures
-from sklearn.pipeline import Pipeline
-
-rs = random.randrange(50)
-
-X, y = make_moons(n_samples=250, noise=0.3, random_state=rs)
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=42)
-
-figure = plt.figure(1, figsize=(16, 9))
-axis = figure.subplots(4, 3)
-cm = ListedColormap(['#FF0000', "#0000FF"])
-arr_res = list(range(len(y_test)))
-X_scale = list(range(len(y_test)))
-
-
-def test(col, model):
-    global axis
-    global arr_res
-    global X_test
-    global X_train
-    global y_train
-    global y_test
-
-    model.fit(X_train, y_train)
-    res_y = model.predict(X_test)
-    print(model.score(X_test, y_test))
-
-    axis[0, col].scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm)
-    axis[1, col].scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm)
-    axis[2, col].scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm)
-    axis[2, col].scatter(X_test[:, 0], X_test[:, 1], c=res_y, cmap=cm)
-    axis[3, col].plot([i for i in range(len(res_y))], y_test, c="g")
-    axis[3, col].plot([i for i in range(len(res_y))], res_y, c="r")
-
-
-def start():
-    lin = LinearRegression()
-    poly = Pipeline([('poly', PolynomialFeatures(degree=3)),
-                     ('linear', LinearRegression())])
-    ridge = Pipeline([('poly', PolynomialFeatures(degree=3)),
-                      ('ridge', Ridge(alpha=1.0))])
-
-    test(0, lin)
-    test(1, poly)
-    test(2, ridge)
-
-    plt.show()
-
-
-start()
--- a/alexandrov_dmitrii_lab_1/readme.md
+++ b/alexandrov_dmitrii_lab_1/readme.md
@ -1,46 +0,0 @@
-## Задание
-Сгенерировать определенный тип данных и сравнить на нем 3 модели. Построить графики, отобразить качество моделей, объяснить полученные результаты.
-Вариант 1.
-Данные: make_moons (noise=0.3, random_state=rs)
-Модели:
-· Линейная регрессия
-· Полиномиальная регрессия (со степенью 3)
-· Гребневая полиномиальная регрессия (со степенью 3, alpha = 1.0) 
-
-### Запуск программы
-Файл lab1.py содержит и запускает программу, аргументов и настройки ~~вроде~~ не требует, 
-
-### Описание программы
-Генерирует один из 50 наборов данных, показывает окно с графиками и пишет оценку моделей обучения по заданию. 
-Использует библиотеки matplotlib для демонстрации графиков и sklearn для создания и использования моделей. 
-
-### Результаты тестирования
-Для различных значений rs результаты следующие:
-значение - линейная - полиномиальная - гребневая полиномиальная
-1 - 0.54 - 0.08 - 0.35
-2 - 0.62 - 0.58 - 0.63
-3 - 0.6 - 0.67 - 0.65
-4 - 0.52 - 0.46 - 0.5
-5 - 0.4 - 0.42 - 0.44
-Из данных результатов можно заключить, что чёткой зависимости точности от выбранной модели нет.
-
-Однако, после этого я добавил в генератор данных число значений: 500. Результаты оказались более детерминированными:
-значение - линейная - полиномиальная - гребневая полиномиальная
-1 - 0.54 - 0.63 - 0.63
-2 - 0.52 - 0.63 - 0.62
-3 - 0.56 - 0.64 - 0.64
-4 - 0.5 - 0.63 - 0.62
-5 - 0.5 - 0.52 - 0.53
-Из данных результатов можно заключить, что в общем случае модель линейной регрессии уступает полиномиальным. Гребневая полиномиальная регрессия чаще уступала обычной полиномиальной, однако в незначительном количестве ситуаций была оценена выше - но во всех случаях результаты были близки, поэтому можно с уверенностью предположить, что результаты идентичны и различаются по воле шума обучения.
-
-После изучения число значений в генераторе заменено на 250, поскольку графики становились неразличимыми^
-значение - линейная - полиномиальная - гребневая полиномиальная
-1 - 0.48 - 0.54 - 0.54
-2 - 0.5 - 0.56 - 0.56
-3 - 0.57 - 0.6 - 0.6
-4 - 0.57 - 0.66 - 0.68
-5 - 0.49 - 0.54 - 0.55
-По данным результатам видно, что в большинстве ситуаций уже гребневая полиномиальная регрессия показывает лучшую точность.
-
-Результаты объясняются следующим образом: 
-Линейная регрессия будучи математически прямой плохо отражает сложные функции и нелинейные зависимости, в то время как полиномиальная регрессия способна отражать перегибы и изменяющиеся в зависимости от меры значений зависимости. Гребневая полиномиальная вышла идентичной простой полиномиальной из-за одинаковых настроек - обе они по заданию имеют третью степень, а гребневая регрессия имеет слишком малый параметр alpha, что результирует в малом эффекте гребневой функции.
--- a/antonov_dmitry_lab_1/README.md
+++ b/antonov_dmitry_lab_1/README.md
@ -1,97 +0,0 @@
-# Лаб 1
-
-Работа с типовыми наборами данных и различными моделями
-
-# Вариант 3
-
-Данные: make_classification (n_samples=500, n_features=2,
-n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
-
-# Запуск
-
-Выполнением скрипта файла (вывод в консоль + рисует графики).
-
-# Модели:
-
-1. Линейная регрессия
-1. Полиномиальная регрессия (со степенью 3)
-1. Гребневая полиномиальная регрессия (со степенью 3, alpha = 1.0)
-
-# Графики
-
-<div>
-Качество каждой модели может быть оценено на основе среднеквадратичной ошибки (MSE). 
-Более низкая 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="650" title="датасет 1">
-</p>
-<p>
-    <div>Графики регрессии</div>
-    <img src="screens/myplot2.png" width="450" title="линейная модель">
-    <img src="screens/myplot3.png" width="450" title="полиномиальная модель">
-    <img src="screens/myplot4.png" width="450" title="гребневая модель">
-    <div>
-        Линейная MSE: 0.0936
-        Полиномиальная (degree=3) MSE: 0.0674
-        Гребневая (degree=3, alpha=1.0) MSE: 0.0682
-    </div>
-</p>
-
-<p>
-    <div>Набор кругов (circles_dataset)</div>
-    <img src="screens/myplot5.png" width="650" title="датасет 2">
-</p>
-<p>
-  <div>Графики регрессии</div>
-    <img src="screens/myplot6.png" width="450" title="линейная модель">
-    <img src="screens/myplot7.png" width="450" title="полиномиальная модель">
-    <img src="screens/myplot8.png" width="450" title="гребневая модель">
-    <div>
-        Линейная MSE: 0.2684
-        Полиномиальная (degree=3) MSE: 0.1341
-        Гребневая (degree=3, alpha=1.0) MSE: 0.1312
-    </div>
-</p>
-
-<p>
-    <div>Набор линейный (linearly_dataset)</div>
-    <img src="screens/myplot9.png" width="650" title="датасет 3">
-</p>
-<p>
-    <div>Графики регрессии</div>
-    <img src="screens/myplot10.png" width="450" title="линейная модель">
-    <img src="screens/myplot11.png" width="450" title="полиномиальная модель">
-    <img src="screens/myplot12.png" width="450" title="гребневая модель">
-    <div>
-        Линейная MSE: 0.1101
-        Полиномиальная (degree=3) MSE: 0.1045
-        Гребневая (degree=3, alpha=1.0) MSE: 0.1078
-    </div>
-</p>
-
-<div>
-Итоговая модель подбирается учитывая зависимость в данных,
-как правило полиномиальная регрессия справляется лучше, а коэф регуляризации в гребневой регрессии помогает избежать
-переобучения.
-</div>
--- a/antonov_dmitry_lab_1/lab1.py
+++ b/antonov_dmitry_lab_1/lab1.py
@ -1,97 +0,0 @@
-import numpy as np
-from matplotlib import pyplot as plt
-from skimage.metrics import mean_squared_error
-from sklearn.datasets import make_moons, make_circles, make_classification
-from sklearn.linear_model import LinearRegression, Ridge
-from sklearn.model_selection import train_test_split
-from sklearn.pipeline import make_pipeline
-from sklearn.preprocessing import StandardScaler, PolynomialFeatures
-
-X, y = make_classification(
-    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)
-linearly_dataset = (X, y)
-moon_dataset = make_moons(noise=0.3, random_state=0)
-circles_dataset = make_circles(noise=0.2, factor=0.5, random_state=1)
-datasets = [moon_dataset, circles_dataset, linearly_dataset]
-
-"""
-Данные:
-· moon_dataset
-· circles_dataset
-· linearly_dataset
-"""
-for ds_cnt, ds in enumerate(datasets):
-    X, y = ds
-    X = StandardScaler().fit_transform(X)
-    X_train, X_test, y_train, y_test = train_test_split(
-        X, y, test_size=.4, random_state=42
-    )
-    """
-    Модели:
-    · Линейную регрессию
-    · Полиномиальную регрессию (со степенью 3)
-    · Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0)
-    """
-
-    # Линейная
-    linear_regression = LinearRegression()
-    linear_regression.fit(X_train, y_train)
-    linear_predictions = linear_regression.predict(X_test)
-    linear_mse = mean_squared_error(y_test, linear_predictions)
-
-    # Полиномиальная (degree=3)
-    poly_regression = make_pipeline(PolynomialFeatures(degree=3), LinearRegression())
-    poly_regression.fit(X_train, y_train)
-    poly_predictions = poly_regression.predict(X_test)
-    poly_mse = mean_squared_error(y_test, poly_predictions)
-
-    # Гребневая (degree=3, alpha=1.0)
-    poly_regression_alpha = make_pipeline(PolynomialFeatures(degree=3), Ridge(alpha=1.0))
-    poly_regression_alpha.fit(X_train, y_train)
-    poly_alpha_predictions = poly_regression_alpha.predict(X_test)
-    poly_alpha_mse = mean_squared_error(y_test, poly_alpha_predictions)
-
-    # График данных
-    plt.figure(figsize=(10, 6))
-    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap='coolwarm')
-    plt.title('Датасет №' + str(ds_cnt))
-    plt.xlabel('X')
-    plt.ylabel('Y')
-
-    # График линейной модели
-    plt.figure(figsize=(10, 6))
-    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')
-    plt.show()
-
-    # График полиномиальной модели (degree=3)
-    plt.figure(figsize=(10, 6))
-    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')
-    plt.show()
-
-    # График гребневой модели (degree=3, alpha=1.0)
-    plt.figure(figsize=(10, 6))
-    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')
-    plt.show()
-
-    # Сравнение качества
-    print('Линейная MSE:', linear_mse)
-    print('Полиномиальная (degree=3) MSE:', poly_mse)
-    print('Гребневая (degree=3, alpha=1.0) MSE:', poly_alpha_mse)
-
--- a/antonov_dmitry_lab_1/screens/myplot1.png
+++ b/antonov_dmitry_lab_1/screens/myplot1.png
--- a/antonov_dmitry_lab_1/screens/myplot10.png
+++ b/antonov_dmitry_lab_1/screens/myplot10.png
--- a/antonov_dmitry_lab_1/screens/myplot11.png
+++ b/antonov_dmitry_lab_1/screens/myplot11.png
--- a/antonov_dmitry_lab_1/screens/myplot12.png
+++ b/antonov_dmitry_lab_1/screens/myplot12.png
--- a/antonov_dmitry_lab_1/screens/myplot2.png
+++ b/antonov_dmitry_lab_1/screens/myplot2.png
--- a/antonov_dmitry_lab_1/screens/myplot3.png
+++ b/antonov_dmitry_lab_1/screens/myplot3.png
--- a/antonov_dmitry_lab_1/screens/myplot4.png
+++ b/antonov_dmitry_lab_1/screens/myplot4.png
--- a/antonov_dmitry_lab_1/screens/myplot5.png
+++ b/antonov_dmitry_lab_1/screens/myplot5.png
--- a/antonov_dmitry_lab_1/screens/myplot6.png
+++ b/antonov_dmitry_lab_1/screens/myplot6.png
--- a/antonov_dmitry_lab_1/screens/myplot7.png
+++ b/antonov_dmitry_lab_1/screens/myplot7.png
--- a/antonov_dmitry_lab_1/screens/myplot8.png
+++ b/antonov_dmitry_lab_1/screens/myplot8.png
--- a/antonov_dmitry_lab_1/screens/myplot9.png
+++ b/antonov_dmitry_lab_1/screens/myplot9.png
--- a/arutunyan_dmitry_lab_1/1.png
+++ b/arutunyan_dmitry_lab_1/1.png
--- a/arutunyan_dmitry_lab_1/2.png
+++ b/arutunyan_dmitry_lab_1/2.png
--- a/arutunyan_dmitry_lab_1/3.png
+++ b/arutunyan_dmitry_lab_1/3.png
--- a/arutunyan_dmitry_lab_1/README.md
+++ b/arutunyan_dmitry_lab_1/README.md
@ -0,0 +1,93 @@
+
+## Лабораторная работа 1. Вариант 4.
+### Задание 
+Построить графики, отобразить 
+качество моделей, объяснить полученные результаты.
+
+Данные: `make_moons (noise=0.3, random_state=rs)`
+
+Модели:
+- Линейная регресся 
+- Полиномиальная регрессия (со степенью 4) 
+- Гребневая полиномиальная регресся (со степенью 4, alpha = 1.0)
+
+### Как запустить
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+После этого в папке static сгенерируются 4 графика, по которым оценивается результат выполнения программы.
+
+### Используемые технологии
+- Библиотека `pyplot`, используемая для построения графиков. 
+- Библиотека `sklearn` - большой набор функционала для анализа данных. Из неё были использованы инструменты:
+    - `make_moons` -  генератор случайных структурированных данных
+    - `train_test_split` - разделитель данных на обучающиую и тестовую выборки
+    - `LinearRegression` - инструмент работы с моделью "Линейная регрессия"
+    - `Ridge` - инструмент работы с моделью "Гребневая регрессия"
+    - `PolynomialFeatures` - инструмент работы с моделью "Полиномиальная регрессия"
+    - `metrics` - набор инструменов для оценки моделей
+- Библиотека `numpy`, используемая для обработки массивов данных и вычислений
+
+### Описание работы
+Программа генерирует данные для обучения и тестирования моделей, стандартизирует данные и разделяет их на обучающую и тестовую выборки.
+```python
+X, y = make_moons(noise=0.3, random_state=None)                                                 
+X = StandardScaler().fit_transform(X)                                                            
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
+```
+После чего, на данных `X_train` и `y_train` производится обучение моделей, а на данных `X_test` и `y_test` - оценка их качества.
+
+Поскольку все модели в задании регрессионные, результаты работы будем оценивать через решение задачи предсказания. Это позволит нам использовать для оценки только `y` данные, что облегчит построение графиков.
+
+Оценка качества моделей будет производиться по двум критериям - среднеквадратическому отклонению `mid_square` от истинного результата и коэфициенту детерминации `det_kp`. Чем среднеквадратическая ошибка меньше и чем коэфициент детерминации больше, тем лучше модель показала себя на данной выборке.
+```python
+mid_square = np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)), 3)
+det_kp = np.round(metrics.r2_score(y_test, y_predict), 2)
+```
+Где `y_predict` - решение задачи предсказания. Для наглядности, оценочные параметры округлим с помощью функции `round` до 3х и 2х знаков после запятой.
+
+#### Линейная регрессия
+Для создания модели линейной регрессии воспользуемся объектом `LinearRegression()`, обучим модель и заставим её предсказать значения `y` на тестовой выборке `x_text`.
+```python
+linear = LinearRegression()         
+linear.fit(X_train, y_train)        
+y_predict = linear.predict(X_test)
+```
+Построим график для оценки результатов:
+
+![](1.png "")
+
+#### Полиномиальная регрессия
+Линейная регрессия является разновидностью полиномиальной регрессии со степенью ведущего члена равной 1. Чтобы построить модель полиномиальной регрессии со степенью 4 необходимо к данным модели линейной регрессии добавить 3 недостающих члена, возведённых в соответствующие степени 2, 3 и 4.
+```python
+poly = PolynomialFeatures(degree=4, include_bias=False)
+x_poly_train = poly.fit_transform(X_train)
+x_poly_test = poly.fit_transform(X_test)
+```
+Где `degree` - старшая степень полинома, `include_bias` - приведение свободного члена полинома к 0.
+
+Обучение и прогнозирование модели далее производится также, как с моделью линейной регрессии, но уде на данных `x_poly_train` и `x_poly_test`
+
+Построим график для оценки результатов:
+
+![](2.png "")
+
+#### Полиномиальная гребневая регрессия
+Полиномиальная гребневая регрессия - это та же самая полиномиальная регрессия, но построенная с использованием усредняющего коэфициента. Для этого воспользуемся объёктом `Ridge()` и построим модель аналогично первым. 
+```python
+ridge = Ridge(alpha=1.0)
+ridge.fit(x_poly_train, y_train)
+y_predict = ridge.predict(x_poly_test)
+```
+
+Построим график для оценки результатов:
+
+![](3.png "")
+
+Теперь построим график для сравнения работы всех моделей и выберем наилучшую:
+
+![](result.png "")
+
+### Вывод
+Наиболее низкое среднеквадратичное отклонение и наиболее высокий коэфициент детерминации показала модель линейной регрессии, а это значит что она наилучшем образом подходит для работы со сгенерированным данными. В этом случае мы можем предположить что данные выборки находятся на небольшом расстоянии друг от друга и располагаются линейно.
--- a/arutunyan_dmitry_lab_1/main.py
+++ b/arutunyan_dmitry_lab_1/main.py
@ -0,0 +1,89 @@
+import numpy as np
+from matplotlib import pyplot as plt
+from sklearn import metrics
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression, Ridge
+from sklearn.preprocessing import StandardScaler, PolynomialFeatures
+from sklearn.datasets import make_moons
+
+X, y = make_moons(noise=0.3, random_state=None)                                                  # Генерация данных с пересечениями признаков
+X = StandardScaler().fit_transform(X)                                                            # Стандартизация. Удаление средних, увеличение дисперсии до 1
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)  # Разделение данных на обучающую и тестовую выборки
+
+
+# Модель линейной регрессии
+def lr_prediction():
+    linear = LinearRegression()         # Создание модели
+    linear.fit(X_train, y_train)        # Обучение модели
+    y_predict = linear.predict(X_test)  # Решение задачи предсказания
+
+    mid_square = np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)), 3)  # Рассчёт среднеквадратичной ошибки модели
+    det_kp = np.round(metrics.r2_score(y_test, y_predict), 2)                         # Рассчёт коэфициента детерминации модели
+
+    return "Модель линейной регрессии", y_predict, mid_square, det_kp
+
+
+# Модель полиномиальной регрессии
+def poly_lr_prediction():
+    poly = PolynomialFeatures(degree=4, include_bias=False)   # Создание характеристик полиномиальной модели (степень - 4, обнуление свободного члена - нет)
+    x_poly_train = poly.fit_transform(X_train)                # Трансформация выборки обучения (добавление недостающих аргументов многочлена 4го порядка)
+    x_poly_test = poly.fit_transform(X_test)                  # Трансформация тестовой выборки (добавление недостающих аргументов многочлена 4го порядка)
+    linear = LinearRegression()                               # Создание модели
+    linear.fit(x_poly_train, y_train)                         # Обучение модели
+    y_predict = linear.predict(x_poly_test)                   # Решение задачи предсказания
+
+    mid_square = np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)), 3)  # Рассчёт среднеквадратичной ошибки модели
+    det_kp = np.round(metrics.r2_score(y_test, y_predict), 2)                         # Рассчёт коэфициента детерминации модели
+
+    return "Модель полиномиальной регрессии", y_predict, mid_square, det_kp
+
+
+# Модель полиномиальной гребневой регрессии
+def poly_rg_prediction():
+    poly = PolynomialFeatures(degree=4, include_bias=False)   # Создание характеристик полиномиальной модели (степень - 4, обнуление свободного члена - нет)
+    x_poly_train = poly.fit_transform(X_train)                # Трансформация выборки обучения (добавление недостающих аргументов многочлена 4го порядка)
+    x_poly_test = poly.fit_transform(X_test)                  # Трансформация тестовой выборки (добавление недостающих аргументов многочлена 4го порядка)
+    ridge = Ridge(alpha=1.0)                                  # Создание гребневой модели (уср. коэф - 1.0)
+    ridge.fit(x_poly_train, y_train)                          # Обучение модели
+    y_predict = ridge.predict(x_poly_test)                    # Решение задачи предсказания
+
+    mid_square = np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)), 3)  # Рассчёт среднеквадратичной ошибки модели
+    det_kp = np.round(metrics.r2_score(y_test, y_predict), 2)                         # Рассчёт коэфициента детерминации модели
+
+    return "Модель полиномиальной регрессии", y_predict, mid_square, det_kp
+
+
+# Создание графиков поотдельности (для себя)
+def make_plots(models):
+    i = 0
+    for model in models:
+        plt.plot(y_test, c="red", label="\"y\" исходная")                          # Создание графика исходной функции
+        plt.plot(model[1], c="green", label="\"y\" предсказанная \n"
+                                                  "Ср^2 = " + str(model[2]) + "\n"
+                                                  "Кд = " + str(model[3]))               # Создание графика предсказанной функции
+        plt.legend(loc='lower left')
+        plt.title(model[0])
+        plt.savefig('static/' + str(i + 1) + '.png')
+        plt.close()
+        i += 1
+
+
+if __name__ == '__main__':
+    models = lr_prediction(), poly_lr_prediction(), poly_rg_prediction()
+    make_plots(models)
+
+    fig, axs = plt.subplots(3, 1, layout='constrained')              # Создание общего графика для сравнения моделей
+    i = 0
+    for model in models:
+        fig.set_figwidth(6)
+        fig.set_figheight(10)
+        axs[i].set_title(model[0])
+        axs[i].plot(y_test, c="red", label="\"y\" исходная")
+        axs[i].plot(model[1], c="green", label="\"y\" предсказанная \n"
+                                               "Ср^2 = " + str(model[2]) + "\n"
+                                               "Кд = " + str(model[3]))
+        axs[i].legend(loc='lower left')
+        i += 1
+    plt.savefig('static/result.png')
+
+
--- a/arutunyan_dmitry_lab_1/result.png
+++ b/arutunyan_dmitry_lab_1/result.png
--- a/gordeeva_anna_lab_1/1graf.jpg
+++ b/gordeeva_anna_lab_1/1graf.jpg
--- a/gordeeva_anna_lab_1/2graf.jpg
+++ b/gordeeva_anna_lab_1/2graf.jpg
--- a/gordeeva_anna_lab_1/3graf.jpg
+++ b/gordeeva_anna_lab_1/3graf.jpg
--- a/gordeeva_anna_lab_1/lab1.py
+++ b/gordeeva_anna_lab_1/lab1.py
@ -1,66 +0,0 @@
-import streamlit as st
-import numpy as np
-from matplotlib import pyplot as plt
-from matplotlib.colors import ListedColormap
-from sklearn.model_selection import train_test_split
-from sklearn.preprocessing import StandardScaler
-from sklearn.datasets import make_moons, make_circles, make_classification
-from sklearn.linear_model import Perceptron
-from sklearn.neural_network import MLPClassifier
-from sklearn.metrics import accuracy_score
-
-st.header("Лабораторная работа 1. Вариант 7")
-
-#Создаем данные
-moon_dataset = make_moons(noise=0.3, random_state=0)
-X, y = moon_dataset #Х это двумерный массив с признаками (координатами), а y - одномерный массив с 0 и 1.(Либо к 1 классу, либо к другому)
-X = StandardScaler().fit_transform(X) #Данные нужно обязательно стандартизировать, для того, что бы один признак не перевешивал в обучении другой признак
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42) #Делим на обучающую и тестовую выборку. Число выбираем для того, чтобы выборка при каждом старте не менялась
-
-def print_perceptron(perceptron):
-    # Обучение модели на обучающих данных
-    perceptron.fit(X_train, y_train)
-
-    #Определение точности модели
-    y_pred = perceptron.predict(X_test)#На тестовой выборке получаем принадлежность к классу
-    accuracy  = accuracy_score(y_test, y_pred)
-    st.write("Точность:", accuracy)
-
-    #График с помощью Matplotlib
-    fig, ax = plt.subplots()
-    cm_bright = ListedColormap(['#FF0000', '#0000FF'])
-    cm_bright2 = ListedColormap(['#FFBBBB', '#BBBBFF'])
-    cmap = ListedColormap(['#FFBBBB', '#BBBBFF'])
-
-    #Отрисовка градиента/фона
-    h = .02  # шаг регулярной сетки
-    x0_min, x0_max = X_train[:, 0].min() - .5, X_train[:, 0].max() + .5 #Определение границы множества по оси х
-    x1_min, x1_max = X_train[:, 1].min() - .5, X_train[:, 1].max() + .5 #Определение границы множества по оси y
-    #np.arange(start, stop, inter) позволяет создать последовательность числен в интервале от start до stop c интервалом/шагом inter
-    xx0, xx1 = np.meshgrid(np.arange(x0_min, x0_max, h), np.arange(x1_min, x1_max, h)) #получаем координатную матрицу из координатных векторов
-    Z = perceptron.predict(np.c_[xx0.ravel(), xx1.ravel()])
-    Z = Z.reshape(xx0.shape)  # Изменяем форму Z в соответствии с сеткой
-    # Применяем обученную модель к сетке точек и отображаем результат как цветовую карту
-    ax.contourf(xx0, xx1, Z, cmap=cmap, alpha=.8)
-    scatter_train = ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright, marker='o', label='Обучающая выборка')
-    scatter_test = ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright2, marker='x', label='Тестовая выборка')
-    ax.legend(handles=[scatter_train, scatter_test], labels=['Обучающая выборка', 'Тестовая выборка'])
-    st.pyplot(fig)
-
-# Создание объекта модели персептрона
-on = st.toggle('Персептрон')
-if on:
-    perceptron = Perceptron(max_iter=100, random_state=0)
-    print_perceptron(perceptron)
-
-# Создание объекта модели персептрона
-on = st.toggle('Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)')
-if on:
-    perceptron = MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, max_iter=1000, random_state=0)
-    print_perceptron(perceptron)
-
-# Создание объекта модели персептрона
-on = st.toggle('Многослойный персептрон с 100-а нейронами в скрытом слое (alpha = 0.01)')
-if on:
-    perceptron = MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, max_iter=1000, random_state=0)
-    print_perceptron(perceptron)
--- a/gordeeva_anna_lab_1/readme.md
+++ b/gordeeva_anna_lab_1/readme.md
@ -1,63 +0,0 @@
-## Задание
-Данные: make_moons (noise = 0.3, random_state = 0)
-
-Модели:
-* Персептрон
-* Многослойный персептрон с 10-ю нейронами в скрытом поле (alpha = 0.01)
-* Многослойный персептрон с 100-а нейронами в скрытом поле (alpha = 0.01)
-
-## В чем различие каждой модели
-
-Персептрон:
-* самая простая форма искусственной нейронной сети
-* состоит из одного или нескольких нейронов
-* только один слой нейронов
-* разделяет данные линейно
-
-Многослойный персептрон с 10-ю/100-а нейронами в скрытом поле (alpha = 0.01)
-* более сложная форма искусственной нейронной сети
-* состоит из нескольких слоев, причем имеет один или несколько скрытых слоев
-* способен решать задачи классификации, регрессии, обработки изображений, текста и т.д
-
-Общий вывод таков, что многослойный персептрон способен решать более сложные задачи, требующие нелинейных решений.
-
-
-## Библиотеки
-Streamlit. Предоставляет простой способ создания веб-приложений для визуализации данных.
-
-Numpy. Предоставляет возможность работать с массивами и матрицами.
-
-Matplotlib. Используется для создания графиков.
-
-Sklearn. Предоставляет инструменты и алгоритмы, которые упрощают задачи, связанные с машинным обучением.
-
-## Функционал
-Предоставляет создание объекта для каждой модели персептрона.
-
-Создание данных с помощью функции make_moon c последующим
-делением данных на обучающую и тестовую выборку. 
-
-Метод print_perceptron, в котором происходит обучение модели, определение точности и отрисовка графика.
-
-## Запуск
-Перед запуском необходимо запустить виртуальную среду venv. Так как я использую streamlit, то для запуска необходимо в терминал прописать следующую строку:
-```
-streamlit run lab1.py
-```
-Приложение развернется на локальном сервере и автоматически откроется в браузере.
-
-## Скриншоты работы программы
-При запуске выглядит так:
-![Alt text](win_start.jpg "Optional Title")
-
-Построенные графики
-
-![Alt text](1graf.jpg "Optional Title")
-
-![Alt text](2graf.jpg "Optional Title")
-
-![Alt text](3graf.jpg "Optional Title")
-
-## Вывод
-В первой модели, как сказано выше, данные делятся линейно. Но точность разделения близка к 1, поэтому задача в данном случае решена.
-В других моделях данные делятся нелинейно и чем выше кол-во нейронов, тем разбиение становится точнее. Но точность в обоих случаях одинаковая.
--- a/gordeeva_anna_lab_1/win_start.jpg
+++ b/gordeeva_anna_lab_1/win_start.jpg
--- a/labs.jpg
+++ b/labs.jpg
--- a/zavrazhnova_svetlana_lab_1/README.md
+++ b/zavrazhnova_svetlana_lab_1/README.md
@ -1,31 +0,0 @@
-### Задание:
-Данные: make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1) 
-
-Модели:
- Персептрон, 
- Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
- Многослойный персептрон со 100-а нейронами в скрытом слое (alpha = 0.01)
-
-### как запустить лабораторную работу:
-Лабораторная работа запускается в файле `zavrazhnova_svetlana_lab_1.py` через Run, должно запуститься диалоговое окно и вычисления в консоли
-
-### Технологии:
-Библиотека Scikit-learn содержит множество наборов данных
-
-### Что делает лабораторная:
-Выполнение кода выводит точность каждой модели (в консоль) и отображает графики с границами решений для каждой модели.
-
-В данном коде генерируются данные с использованием функции make_classification() из библиотеки scikit-learn. Генерируется набор данных с 500 примерами и 2 признаками. Классы точек представлены переменной y, которая содержит метки классов для каждой точки. В данном случае, сгенерировано два класса, обозначенных как 0 и 1.
-
-Визуализация данных и границ решения моделей выполняется с помощью функции scatter() и функции contourf() из библиотеки matplotlib. Функция scatter() отображает точки данных на графике, окрашивая их в соответствии с классами, заданными переменной y.
-
-Таким образом, графики помогают визуализировать данные, их классификацию и границы решения моделей, позволяя лучше понять, как модели принимают решение о классификации объектов.
-
-### Пример выходных значений:
-Консоль:
-
-![результат в консоль](imgConsoleRes.png)
-
-Графики:
-
-![img.png](imgGraphicsRes.png)
--- a/zavrazhnova_svetlana_lab_1/imgConsoleRes.png
+++ b/zavrazhnova_svetlana_lab_1/imgConsoleRes.png
--- a/zavrazhnova_svetlana_lab_1/imgGraphicsRes.png
+++ b/zavrazhnova_svetlana_lab_1/imgGraphicsRes.png
--- a/zavrazhnova_svetlana_lab_1/zavrazhnova_svetlana_lab_1.py
+++ b/zavrazhnova_svetlana_lab_1/zavrazhnova_svetlana_lab_1.py
@ -1,89 +0,0 @@
-import numpy as np
-from sklearn.datasets import make_classification
-from sklearn.model_selection import train_test_split
-from sklearn.linear_model import Perceptron
-from sklearn.neural_network import MLPClassifier
-from sklearn.metrics import accuracy_score
-from matplotlib import pyplot as plt
-
-#Задание случайного состояния
-rs = 42
-#Генерируются 500 примеров с 2 признаками, 0 лишними признаками, 2 информативными признаками,
-# random_state устанавливается в rs для воспроизводимости данных и n_clusters_per_class устанавливается в 1 для генерации одного кластера классов
-X, y = make_classification(n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
-
-# Разделение данных на обучающую и тестовую выборки
-#test_size установлен на 0.4, что означает, что 40% данных будет использовано для тестирования.
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=rs)
-
-# Инициализация моделей
-perceptron = Perceptron()
-mlp_10 = MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)
-mlp_100 = MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs)
-
-# Обучение моделей
-perceptron.fit(X_train, y_train)
-mlp_10.fit(X_train, y_train)
-mlp_100.fit(X_train, y_train)
-
-# Предсказание на тестовой выборке
-y_pred_perceptron = perceptron.predict(X_test)
-y_pred_mlp_10 = mlp_10.predict(X_test)
-y_pred_mlp_100 = mlp_100.predict(X_test)
-
-# Оценка качества моделей, Оценка точности (accuracy) каждой модели сравнивается с истинными метками классов на тестовой выборке
-accuracy_perceptron = accuracy_score(y_test, y_pred_perceptron)
-accuracy_mlp_10 = accuracy_score(y_test, y_pred_mlp_10)
-accuracy_mlp_100 = accuracy_score(y_test, y_pred_mlp_100)
-
-# Вывод результатов
-print("Точность - Perceptron:", accuracy_perceptron)
-print("Точность - MLP (10 neurons):", accuracy_mlp_10)
-print("Точность - MLP (100 neurons):", accuracy_mlp_100)
-
-# Визуализация данных и границ решения моделей
-#Определение интервала значений для графиков, чтобы включить все точки данных и оставить небольшую дополнительную поверхность вокруг границы графика
-x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
-y_min, y_max = X[:, 1].min() - 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))
-
-#Предсказание класса для каждой точки в сетке графика и изменение формы результата, чтобы соответствовать размерам сетки
-Z_perceptron = perceptron.predict(np.c_[xx.ravel(), yy.ravel()])
-Z_perceptron = Z_perceptron.reshape(xx.shape)
-
-Z_mlp_10 = mlp_10.predict(np.c_[xx.ravel(), yy.ravel()])
-Z_mlp_10 = Z_mlp_10.reshape(xx.shape)
-
-Z_mlp_100 = mlp_100.predict(np.c_[xx.ravel(), yy.ravel()])
-Z_mlp_100 = Z_mlp_100.reshape(xx.shape)
-
-#Визуализация данных и границ решения моделей на трех графиках.
-# Границы решения отмечены заштрихованными областями, а точки данных на графике окрашены в соответствии с их классами
-plt.figure(figsize=(12, 9))
-plt.subplot(221)
-plt.contourf(xx, yy, Z_perceptron, alpha=0.8)
-plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, edgecolors='k', alpha=0.6)
-plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, edgecolors='k')
-plt.title('Персептрон')
-plt.xlabel('Признак 1')
-plt.ylabel('Признак 2')
-
-plt.subplot(222)
-plt.contourf(xx, yy, Z_mlp_10, alpha=0.8)
-plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, edgecolors='k', alpha=0.6)
-plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, edgecolors='k')
-plt.title('MLP (10 нейронов)')
-plt.xlabel('Признак 1')
-plt.ylabel('Признак 2')
-
-plt.subplot(223)
-plt.contourf(xx, yy, Z_mlp_100, alpha=0.8)
-plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, edgecolors='k', alpha=0.6)
-plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, edgecolors='k')
-plt.title('MLP (100 нейронов)')
-plt.xlabel('Признак 1')
-plt.ylabel('Признак 2')
-
-plt.tight_layout()
-plt.show()
--- a/zavrazhnova_svetlana_lab_2/README.md
+++ b/zavrazhnova_svetlana_lab_2/README.md
@ -1,30 +0,0 @@
-### Задание по варианту
-Лассо (Lasso),Сокращение признаков Случайными деревьями (Random Forest Regressor), Линейная корреляция (f_regression)
-
-### Как запустить лабораторную работу
-ЛР запускается через файл `zavrazhnova_svetlana_lab_2.py` 
-
-### Какие технологии использовали
-импорт класса `MinMaxScaler`, выполняющего масштабирование данных до заданного диапазона (от 0 до 1).
-Необходимость его использования объясняется следующим: каждая модель регрессии дает оценки
-важности признаков в своем диапазоне. Для того чтобы найти признак с максимальной средней важностью по трем моделям, нам необходимо привести выданные ими оценки к одному виду.
-Модели линейной регрессии, ридж-регрессии и лассо-регрессии из библиотеки `scikit-learn`
-
-### Что делает
-Применение регрессионных моделей для определения важности признаков.
-
-Результат работы программы показывает ранжирование признаков по их значимости для задачи. Чем больше значение ранга, тем более значимый признак.
-Полученные ранги можно использовать для отбора наиболее значимых признаков и сокращения размерности данных.
-
-### Примеры выходных значений
-
-![example program result](result.png)
-
-В данном случае, в соответствии с полученными результатами, можно сказать следующее:
-
-1. Признаки 'x4' и 'x14' имеют наивысшие ранги (больше 380), что указывает на их большую значимость в решении задачи.
-2. Признаки 'x2' и 'x12' имеют средние ранги (от 170 до 180), что означает их среднюю значимость.
-3. Признаки 'x1' и 'x11' имеют ранги около 120, что указывает на их относительную значимость.
-4. Признаки 'x5', 'x8' и 'x7' имеют низкие ранги (от 5 до 17), что говорит о их низкой значимости.
-5. Признаки 'x9', 'x3', 'x13', 'x10' и 'x6' имеют очень низкие ранги (меньше 3), что указывает на их минимальную значимость или наличие практически нулевых эффектов.
-
--- a/zavrazhnova_svetlana_lab_2/result.png
+++ b/zavrazhnova_svetlana_lab_2/result.png
--- a/zavrazhnova_svetlana_lab_2/zavrazhnova_svetlana_lab_2.py
+++ b/zavrazhnova_svetlana_lab_2/zavrazhnova_svetlana_lab_2.py
@ -1,54 +0,0 @@
-from sklearn.linear_model import Lasso
-from sklearn.ensemble import RandomForestRegressor
-from sklearn.feature_selection import f_regression
-from sklearn.preprocessing import MinMaxScaler
-import numpy as np
-
-np.random.seed(0)
-size = 750
-#входные данные.
-X = np.random.uniform(0, 1, (size, 14))
-
-#Генерируется целевая переменная Y на основе математической функции от входных данных X.
-Y = (10 * np.sin(np.pi*X[:,0]*X[:,1]) + 20*(X[:,2] - .5)**2 +
-     10*X[:,3] + 5*X[:,4]**5 + np.random.normal(0,1))
-X[:,10:] = X[:,:4] + np.random.normal(0, .025, (size,4))
-
-names = ["x%s" % i for i in range(1,15)]
-#Создается пустой словарь для хранения рангов признаков
-ranks = {}
-
-#Создается экземпляр модели лассо-регрессии
-lasso = Lasso(alpha=.05)
-#Модель подгоняется под входные данные X и целевую переменную Y
-lasso.fit(X, Y)
-ranks["Lasso"] = dict(zip(names, lasso.coef_))
-
-rf = RandomForestRegressor(n_estimators=100, random_state=0)
-rf.fit(X, Y)
-ranks["Random Forest"] = dict(zip(names, rf.feature_importances_))
-
-f, _ = f_regression(X, Y, center=True)
-ranks["f_regression"] = dict(zip(names, f))
-
-def rank_to_dict(ranks, names):
-    ranks = np.abs(ranks)
-    minmax = MinMaxScaler()
-    #масштабирование рангов с помощью MinMaxScaler
-    ranks = minmax.fit_transform(np.array(ranks).reshape(-1, 1)).ravel()
-    ranks = map(lambda x: round(x, 2), ranks)
-    return dict(zip(names, ranks))
-
-#словарь для хранения средних рангов признаков
-mean = {}
-for key, value in ranks.items():
-    for item in value.items():
-        if item[0] not in mean:
-            mean[item[0]] = 0
-        mean[item[0]] += item[1]
-
-sorted_mean = sorted(mean.items(), key=lambda x: x[1], reverse=True)
-result = {}
-for item in sorted_mean:
-    result[item[0]] = item[1]
-    print(f'{item[0]}: {item[1]}')
--- a/МетодичкаМИИ_МО-1.pdf
+++ b/МетодичкаМИИ_МО-1.pdf