arzamaskina_milana_lab_1 is ready

arzamaskina_milana_lab_1/README.md

@@ -0,0 +1,52 @@
+## Задание
+Работа с типовыми наборами данных и различными моделями.
+Сгенерируйте определенный тип данных и сравните на нем 3 модели
+
+Вариант №2
+
+Данные: make_circles(noise=0.2, factor=0.5, random_state=1)
+
+Модели:
++ Линейная регрессия
++ Полиномиальная регрессия (degree=3)
++ Гребневая рекрессия (degree=3, alpha=1.0)
+
+## Используемые технологии
+В лабораторной были использованы библиотеки:
++ matplotlib - используется для создания графиков
++ sklearn - используется для работы с моделями машинного обучения
+
+## Как запустить
+Запустить файл main.py, который выполнит необходимые действия над моделями 
+и выведет графики на экран.
+
+## Что делает программа
+Генерирует набор данных типа circles, делит его на обучающую и тестовую выборки.
+По очереди обучает на данных обучающей выборки 3 модели:
+модель линейной регрессии, модель полиномиальной регрессии со степенью 3 и 
+модель гребневой регрессии со степенью 3 и alpha=1.0.
+
+После обучения предсказания моделей проверяются на тестовых данных. 
+Строится 4 графика, один для отображения первоначальных тестовых и обучающих данных, где:
+`o` - точки обучающей выборки первого и второго типа.
+`x` - точки тестовой выборки первого и второго типа.
+И по одному графику для каждой модели, где:
+`o` - точки тестовой выборки первого и второго типа.
+
+Далее программа выведет оценки точности моделей. Полученные оценки:
++ Линейная регрессия - 0.268
++ Полиномиальная регрессия со степенью 3 - 0.134
++ Гребневая регрессия со степенью 3, alpha=1.0 - 0.131
+
+## Скриншоты работы программы
+График для отображения первоначальных тестовых и обучающих данных и
+полученные графики разбиения точек на классы:
+
+Линейная регрессия - Полиномиальная регрессия (со степенью 3) - Гребневая регрессия (со степенью 3, alpha=1.0)
+![img.png](img_screen_1.png)
+
+Вывод анализа точности работы моделей: 
+![img.png](img_screen_2.png)
+
+## Вывод
+Исходя из этого, можно сделать вывод: лучший результат показала модель линейной регрессии.

arzamaskina_milana_lab_1/main.py

@@ -0,0 +1,87 @@
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.datasets import make_circles
+from sklearn.linear_model import LinearRegression, Ridge
+from sklearn.metrics import mean_squared_error
+from sklearn.model_selection import train_test_split
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import PolynomialFeatures, StandardScaler
+
+# Нелинейный генератор - позволяет сгенерировать такие классы-признаки,
+# что признаки одного класса геометрически окружают признаки другого класса
+X, y = make_circles(noise=0.2, factor=0.5, random_state=1)
+X = StandardScaler().fit_transform(X)
+
+# Разделение на обучающую и тестовую выборки (40% данных будет использовано для тестов)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
+
+# Создание необходимых для оценки моделей
+def models():
+    # Линейная регрессия
+    linear_regression = LinearRegression()
+    linear_regression.fit(X_train, y_train)
+
+    # Полиномиальная регрессия (degree=3)
+    poly_regression = make_pipeline(PolynomialFeatures(degree=3), LinearRegression())
+    poly_regression.fit(X_train, y_train)
+
+    # Гребневая рекрессия (degree=3, alpha=1.0)
+    ridge_regression = make_pipeline(PolynomialFeatures(degree=3), Ridge(alpha=1.0))
+    ridge_regression.fit(X_train, y_train)
+
+    models = [linear_regression, poly_regression, ridge_regression]
+
+    # Предсказанные y
+    linear_predict = linear_regression.predict(X_test)
+    poly_predict = poly_regression.predict(X_test)
+    ridge_predict = ridge_regression.predict(X_test)
+
+    pred = [linear_predict, poly_predict, ridge_predict]
+
+    # Среднеквадратичные ошибки
+    lin_mse = mean_squared_error(y_test, linear_predict)
+    poly_mse = mean_squared_error(y_test, poly_predict)
+    rr_mse = mean_squared_error(y_test, ridge_predict)
+
+    mse = [lin_mse, poly_mse, rr_mse]
+
+    grafics(pred, mse, models)
+
+# Графики
+def grafics(pred, mse, models):
+    fig, ax = plt.subplots(nrows=2, ncols=2, figsize=(8, 8))
+    cm_color1 = ListedColormap(['r', 'g'])
+
+    plt.suptitle('Лабораторная работа 1. Вариант 2.', fontweight='bold')
+
+    # График данных
+    plt.subplot(2, 2, 1)
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_color1, marker='o', label='тренировочные данные')
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_color1, marker='x', label='тестовые данные')
+    plt.title('Датасет circles', fontsize=10, loc='left')
+    plt.legend(loc='upper left')
+
+    # График линейной модели
+    plt.subplot(2, 2, 2)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[0], cmap=cm_color1)
+    plt.title('Линейная регрессия', fontsize=10, loc='left')
+
+    # График полиномиальной модели (degree=3)
+    plt.subplot(2, 2, 3)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[1], cmap=cm_color1)
+    plt.title('Полиномиальная регрессия (degree=3)', fontsize=10, loc='left')
+    plt.xlabel('X')
+    plt.ylabel('Y')
+
+    # График гребневой модели (degree=3, alpha=1.0)
+    plt.subplot(2, 2, 4)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[2], cmap=cm_color1)
+    plt.title('Гребневая регрессия (degree=3, alpha=1.0)', fontsize=10, loc='left')
+    plt.show()
+
+    # Сравнение качества
+    print('Линейная MSE:', mse[0])
+    print('Полиномиальная (degree=3) MSE:', mse[1])
+    print('Гребневая (degree=3, alpha=1.0) MSE:', mse[2])
+
+models()