podkorytova_yulia_lab1

podkorytova_yulia_lab_1/README.md

@@ -0,0 +1,37 @@
+# Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
+### Задание на лабораторную:
+Используя код из пункта «Регуляризация и сеть прямого распространения», сгенерируйте определенный тип данных и сравните на нем 3 модели (по  варианту). Постройте графики, отобразите качество моделей, объясните полученные результаты.
+
+**Вариант 20.**
+Данные: make_circles (noise=0.2, factor=0.5, random_state=rs)
+
+Модели:
+* Линейную регрессию
+* Полиномиальную регрессию (со степенью 5)
+* Гребневую полиномиальную регрессию (со степенью 5, alpha= 1.0)
+***
+### Как запустить лабораторную работу:
+Для запуска лабораторной работы необходимо открыть файл `lr1.py`, нажать на ПКМ и в выпадающем списке выбрать опцию "Run".
+***
+### Технологии:
+**NumPy (Numerical Python)** - это библиотека для научных вычислений в Python, которая обеспечивает эффективные вычисления и манипуляции с данными.
+
+**Matplotlib** - это библиотека визуализации данных для языка программирования Python, которая предоставляет широкий спектр инструментов для создания различных типов графиков, диаграмм и визуализаций данных.
+
+**Scikit-learn (Sklearn)** - это библиотека для языка программирования Python, которая предоставляет инструменты для разработки и применения различных алгоритмов машинного обучения, включая классификацию, регрессию, кластеризацию, снижение размерности и многое другое. Scikit-learn также предлагает функции для предобработки данных, оценки моделей и выбора наилучших параметров.
+***
+### Что делает лабораторная работа:
+В лабораторной работе генерируется набор данных при помощи функции *make_circles* с параметрами из задания.
+Далее происходит разделение данных на обучащий и тестовый наборы при помощи функции *train_test_split*.
+После создаются 3 модели (линейная, полиномиальная и гребневая полиномиальная), а дальше происходит обучение моделей, предсказание и оценка качества.
+
+Результатом работы являются показатели качества моделей, выведенные в консоль, и 3 графика, отображающие данные, их классификацию и границы решения моделей.
+***
+### Пример выходных данных:
+***Качество моделей:***
+![](scoreRes.jpg)
+
+***Графики:***
+![](plotRes.jpg)
+***
+**Вывод**: результаты показали, что для сгенерированного набора данных из 3 моделей наиболее точной оказалась полиномиальная регрессия (со степенью 5), гребневая полиномиальная регрессия (со степенью 5, alpha= 1.0), которая идентична полиномиальной регрессии, стала второй по точности, а линейная регрессия показала самую низкую точность.

podkorytova_yulia_lab_1/lr1.py

@@ -0,0 +1,45 @@
+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.pipeline import make_pipeline
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.datasets import make_circles
+from sklearn.linear_model import LinearRegression, Ridge
+
+rs = np.random.RandomState(50)
+X, y = make_circles(noise=0.2, factor=0.5, random_state=rs) # генерация данных
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
+
+# создание моделей
+linear_regression = LinearRegression()
+polynomial_regression = make_pipeline(PolynomialFeatures(degree=5), LinearRegression())
+ridge_polynomial_regression = make_pipeline(PolynomialFeatures(degree=5), Ridge(alpha=1.0))
+models = [("Линейная регрессия", linear_regression),
+          ("Полиномиальная регрессия", polynomial_regression),
+          ("Гребневая полиномиальная регрессия", ridge_polynomial_regression)]
+
+# тренируем модель
+for name, model in models:
+    model.fit(X_train, y_train) # обучение модели
+    y_predict = model.predict(X_test) # предсказание
+    score = model.score(X_train, y_train) # оценка качества
+    print(name + ': качество модели = ' + str(score))
+
+# построение графиков
+cm = plt.cm.RdBu
+cm_bright = ListedColormap(['#FF0000', '#0000FF'])
+for i, (name, model) in enumerate(models):
+    current_subplot = plt.subplot(1, 3, i + 1)
+    h = .02 # шаг регулярной сетки
+    x0_min, x0_max = X[:, 0].min() - .5, X[:, 0].max() + .5
+    x1_min, x1_max = X[:, 1].min() - .5, X[:, 1].max() + .5
+    xx0, xx1 = np.meshgrid(np.arange(x0_min, x0_max, h), np.arange(x1_min, x1_max, h))
+    Z = model.predict(np.c_[xx0.ravel(), xx1.ravel()])
+    Z = Z.reshape(xx0.shape)
+    current_subplot.contourf(xx0, xx1, Z, cmap=cm, alpha=.8)
+    current_subplot.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
+    current_subplot.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.4)
+    plt.title(name)
+
+plt.show()