kondrashin_mikhail_lab_1_ready

kondrashin_mikhail_lab_1/README.md

@@ -0,0 +1,44 @@
+#### Кондрашин Михаил ПИбд-41
+
+## Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
+
+### 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:**
+
+* Линейная регрессия
+* Полиномиальная регрессия (со степенью 3)
+* Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)
+
+### Запуск лабораторной работы:
+
+* установить `python`, `numpy`, `matplotlib`, `sklearn`
+* запустить проект (стартовая точка класс `main.py`)
+
+### Используемые технологии:
+
+* Язык программирования `Python`,
+* Библиотеки `numpy`, `matplotlib`, `sklearn`
+* Среда разработки `IntelliJ IDEA` (В версии "Ultimate edition" можно писать на python)
+
+### Описание решения:
+
+* Программа генерирует данные с make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2,
+  random_state=rs, n_clusters_per_class=1)
+* Сравнивает три типа моделей: линейная, полиномиальная, гребневая полиномиальная регрессии
+* Выдает графики и оценки качества по коэффициенту детерминации для каждой модели
+
+### Результат:
+
+![Linear](images/linear.png)
+![Polynomial](images/polynomial.png)
+![Greb](images/greb_polynom.png)
+
+* Результат расчета оценки качества:
+  ![Result](images/result.png)
+
+По результатам оценки качества можно сказать, что **полиномиальная регрессия** показала наибольшую оценку
+

kondrashin_mikhail_lab_1/funcs.py

@@ -0,0 +1,47 @@
+from matplotlib import pyplot as plt
+from sklearn.linear_model import LinearRegression
+from sklearn.linear_model import Ridge
+from sklearn.pipeline import Pipeline
+from sklearn.preprocessing import PolynomialFeatures
+
+
+def lin(x_train, x_test, y_train, y_test):
+    plt.scatter(x_test, y_test)
+    model = LinearRegression().fit(x_train, y_train)
+    y_predict = model.intercept_ + model.coef_ * x_test
+    plt.plot(x_test, y_predict, color='red')
+    plt.title('Линейная регрессия')
+    plt.savefig('images/linear.png')
+    plt.show()
+
+    print('Линейная регрессия')
+    print('Оценка качества:', model.score(x_train, y_train))
+
+
+def polynom(x_train, y_train):
+    plt.scatter(x_train, y_train)
+    x_poly = PolynomialFeatures(degree=4).fit_transform(x_train)
+    pol_reg = LinearRegression()
+    model = pol_reg.fit(x_poly, y_train)
+    y_predict = pol_reg.predict(x_poly)
+    plt.plot(x_train, y_predict, color='green')
+    plt.title('Полиномиальная регрессия')
+    plt.savefig('images/polynomial.png')
+    plt.show()
+
+    print('Полиномиальная регрессия')
+    print('Оценка качества:', model.score(x_poly, y_train))
+
+
+def greb_polynom(x_train, x_test, y_train, y_test):
+    plt.scatter(x_test, y_test)
+    pipeline = Pipeline([("polynomial_features", PolynomialFeatures(degree=4)), ("ridge", Ridge(alpha=1.0))])
+    model = pipeline.fit(x_train, y_train)
+    y_predict = pipeline.predict(x_test)
+    plt.plot(x_test, y_predict, color='blue')
+    plt.title('Гребневая полиномиальная регрессия')
+    plt.savefig('images/greb_polynom.png')
+    plt.show()
+
+    print('Гребневая полиномиальная регрессия')
+    print('Оценка качества:', model.score(x_train, y_train))

kondrashin_mikhail_lab_1/main.py

@@ -0,0 +1,16 @@
+import numpy as np
+from sklearn.datasets import make_classification
+from sklearn.model_selection import train_test_split
+
+from funcs import *
+
+x, y = make_classification(n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=0,
+                           n_clusters_per_class=1)
+
+x = x[:, np.newaxis, 1]
+
+x_train, x_test, y_train, y_test = train_test_split(x, y)
+
+lin(x_train, x_test, y_train, y_test)
+polynom(x_train, y_train)
+greb_polynom(x_train, x_test, y_train, y_test)