senkin_alexander_lab_4 is ready

senkin_alexander_lab_5/.gitignore

@@ -0,0 +1 @@
+./idea

senkin_alexander_lab_5/README.md

@@ -0,0 +1,32 @@
+Лабораторная работа №5
+
+Вариант №4 
+
+Задание на лабораторную:
+
+Использовать регрессию по варианту для данных из курсовой работы. Самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной задачи.
+
+Как запустить лабораторную работу:
+
+Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_5.py
+
+Библиотеки:
+
+- NumPy - библиотека для работы с многомерными массивами.
+- Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
+- Mathplotlib - библиотека для визуализации данных двумерной и трехмерной графикой.
+
+Задача:
+
+Было решено с помощью гребневой регрессии попытаться предсказать  количество несчастных случаев(inj), от таких признаков как: магнитуда(mag) и фатальные исходы(fat)
+
+Описание программы:
+
+- Загружаем данные из csv файла
+- Разделяем данные на обучающее и тестовые
+- Переводим значения из столбца inj в диапозон от 0 до 1
+- Обучаем модель, находим R^2 (среднеквадратическая ошибка) и коэффициент детерминации
+- Рисуем график 
+- ![img.png](img.png)
+- Анализируем график и делаем выводы, что Средняя квадратическая ошибка очень маленькая, что говорит нам что мы хорошо подобрали данные, и модель достаточно точно предсказывает, но имеем не очень большой коэффициент детерминации, который говорит нам о том, что модель не очень хорошо понимает зависимости наших данных.
+- Можно сделать вывод, что гребневую регрессию на таких данных использовать можно, но стоит поискать модели получше.

senkin_alexander_lab_5/senkin_alexandr_lab_5.py

@@ -0,0 +1,34 @@
+import pandas as pd
+
+from sklearn.linear_model import Ridge
+from sklearn import metrics
+from sklearn.preprocessing import MinMaxScaler
+import matplotlib.pyplot as plt
+import numpy as np
+# загрузка данных из файла
+data = pd.read_csv('us_tornado_dataset_1950_2021.csv')
+scaler = MinMaxScaler()
+
+x_train = data[['fat', 'mag']].iloc[0:round(len(data) / 100 * 99)]
+y_train = data['inj'].iloc[0:round(len(data) / 100 * 99)]
+y_train = scaler.fit_transform(y_train.values.reshape(-1, 1)) # приводим к виду от 0 до 1
+y_train = y_train.flatten()
+x_test = data[['fat', 'mag']].iloc[round(len(data) / 100 * 99):len(data)]
+y_test = data['inj'].iloc[round(len(data) / 100 * 99):len(data)]
+y_test = scaler.fit_transform(y_test.values.reshape(-1, 1)) # приводим к виду от 0 до 1
+y_test = y_test.flatten()
+
+rid = Ridge(alpha=1.0)
+rid.fit(x_train.values, y_train)
+y_predict = rid.predict(x_test.values)
+
+mid_square = np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)),3)  # рассчёт Ср^2
+coeff_determ = np.round(metrics.r2_score(y_test, y_predict), 2) # рассчёт коэффициента детерминации
+
+plt.plot(y_test, c="red", label="y тестовые ")
+plt.plot(y_predict, c="green", label="y предсказанные \n"
+                                                  "Ср^2 = " + str(mid_square) + "\n"
+                                                  "Coeff_determ = " + str(coeff_determ))
+plt.legend(loc='upper right')
+plt.title("Гребневая регрессия")
+plt.show()