реади

antonov_dmitry_lab_5/README.md

@@ -0,0 +1,43 @@
+# Лаб 5 Регрессия
+
+Использовать регрессию по варианту для данных из датасета курсовой
+Predict students' dropout and academic success (отсев студентов), 
+самостоятельно сформулировав задачу. Оценить, насколько хорошо она подходит 
+для решения сформулированной вами задачи.
+
+# Вариант 3
+
+Лассо-регрессия
+
+# Запуск
+
+Выполнением скрипта файла (вывод в консоль).
+
+# Описание модели:
+
+Лассо (Lasso) — это метод регрессионного анализа, который используется в статистике и 
+машинном обучении для предсказания значения зависимой переменной. 
+
+Регрессия Лассо использует регуляризацию L1 для добавления штрафа, равного абсолютному 
+значению коэффициентов. Это уменьшает некоторые коэффициенты и устанавливает другие равными 0, 
+выполняя автоматический выбор функции. Обычная регрессия не имеет регуляризации.
+
+# Задача регрессии
+Для прогнозирования отсева учащихся и набора данных об успеваемости спрогнозируйте отсев 
+используя регрессию Лассо для признаков
+'Curricular units 2nd sem (approved)' - (Учебные блоки 2-го семестра (утверждены))
+'Curricular units 2nd sem (grade)' - (Учебные блоки 2-го семестра (класс))
+'Tuition fees up to date' - (Стоимость обучения")
+'Curricular units 2nd sem (grade)' - (Учебные блоки 2-го семестра (класс))
+
+# Результаты
+Точность регрессии для вышеперечисленных признаков составили 0.6256 (alpha = 0.01)
+При изменении коэффициента регуляризации в диапозоне от 0.01 до 1.5 наблюдается только ухудшение качества 
+модели, таким образом для заданных параметров подходит больше обычная модель линейной регрессии, так как
+по этим признакам судя по результатам наблюдается линейная зависимость.
+Для этих признаков модель регрессии подходит плохо, нужно искать другую.
+
+<p>
+    <div>График</div>
+    <img src="screens/myplot.png" width="650" title="График">
+</p>

antonov_dmitry_lab_5/lab5.py

@@ -0,0 +1,46 @@
+import numpy as np
+import pandas as pd
+from matplotlib import pyplot as plt
+from sklearn.linear_model import Lasso
+from sklearn.metrics import accuracy_score
+from sklearn.model_selection import train_test_split
+
+# загрузка данных
+data = pd.read_csv('dataset.csv')
+X = (data[
+         ['Curricular units 2nd sem (approved)', 'Curricular units 2nd sem (grade)',
+          'Tuition fees up to date',
+          'Curricular units 2nd sem (grade)']])
+y = data['Target']
+
+# тренировка модели
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+lasso_model = Lasso(alpha=0.01)
+lasso_model.fit(X_train, y_train)
+
+# оценка модели
+y_pred_train = lasso_model.predict(X_train)
+y_pred_test = lasso_model.predict(X_test)
+
+# оценка результатов модели
+train_accuracy = accuracy_score(y_train, np.round(y_pred_train))
+test_accuracy = accuracy_score(y_test, np.round(y_pred_test))
+
+# вывод результатов
+print(f"Тренировочная Accuracy: {train_accuracy}")
+print(f"Тест Accuracy: {test_accuracy}")
+
+# коэффициенты значимости признаков
+coefficients = lasso_model.coef_
+feature_names = X.columns
+
+# вывод в консоль коэффициентов значимости
+for feature, coef in zip(feature_names, coefficients):
+    print(f"{feature}: {coef}")
+
+plt.figure(figsize=(10, 6))
+plt.barh(feature_names, coefficients)
+plt.xlabel('коэффициент')
+plt.title('Значимости признаков по регрессии Лассо')
+plt.show()