senkin_alexander_lab_4 is ready

This commit is contained in:
Mamoru777 2023-11-05 14:51:45 +04:00
parent a98d914e7c
commit f6a9dc6a74
5 changed files with 67626 additions and 0 deletions

1
senkin_alexander_lab_5/.gitignore vendored Normal file
View File

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

View File

@ -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.

Binary file not shown.

After

Width:  |  Height:  |  Size: 21 KiB

View File

@ -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()

File diff suppressed because it is too large Load Diff