alexandrov_dmitrii_lab_1/lab1.py

@@ -1,56 +0,0 @@
-import random
-from matplotlib import pyplot as plt
-from matplotlib.colors import ListedColormap
-from sklearn.datasets import make_moons
-from sklearn.linear_model import LinearRegression, Ridge
-from sklearn.model_selection import train_test_split
-from sklearn.preprocessing import PolynomialFeatures
-from sklearn.pipeline import Pipeline
-
-rs = random.randrange(50)
-
-X, y = make_moons(n_samples=250, noise=0.3, random_state=rs)
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=42)
-
-figure = plt.figure(1, figsize=(16, 9))
-axis = figure.subplots(4, 3)
-cm = ListedColormap(['#FF0000', "#0000FF"])
-arr_res = list(range(len(y_test)))
-X_scale = list(range(len(y_test)))
-
-
-def test(col, model):
-    global axis
-    global arr_res
-    global X_test
-    global X_train
-    global y_train
-    global y_test
-
-    model.fit(X_train, y_train)
-    res_y = model.predict(X_test)
-    print(model.score(X_test, y_test))
-
-    axis[0, col].scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm)
-    axis[1, col].scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm)
-    axis[2, col].scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm)
-    axis[2, col].scatter(X_test[:, 0], X_test[:, 1], c=res_y, cmap=cm)
-    axis[3, col].plot([i for i in range(len(res_y))], y_test, c="g")
-    axis[3, col].plot([i for i in range(len(res_y))], res_y, c="r")
-
-
-def start():
-    lin = LinearRegression()
-    poly = Pipeline([('poly', PolynomialFeatures(degree=3)),
-                     ('linear', LinearRegression())])
-    ridge = Pipeline([('poly', PolynomialFeatures(degree=3)),
-                      ('ridge', Ridge(alpha=1.0))])
-
-    test(0, lin)
-    test(1, poly)
-    test(2, ridge)
-
-    plt.show()
-
-
-start()

alexandrov_dmitrii_lab_1/readme.md

@@ -1,46 +0,0 @@
-##Задание
-Сгенерировать определенный тип данных и сравнить на нем 3 модели. Построить графики, отобразить качество моделей, объяснить полученные результаты.
-Вариант 1.
-Данные: make_moons (noise=0.3, random_state=rs)
-Модели:
-· Линейная регрессия
-· Полиномиальная регрессия (со степенью 3)
-· Гребневая полиномиальная регрессия (со степенью 3, alpha = 1.0) 
-
-###Запуск программы
-Файл lab1.py содержит и запускает программу, аргументов и настройки ~~вроде~~ не требует, 
-
-###Описание программы
-Генерирует один из 50 наборов данных, показывает окно с графиками и пишет оценку моделей обучения по заданию. 
-Использует библиотеки matplotlib для демонстрации графиков и sklearn для создания и использования моделей. 
-
-###Результаты тестирования
-Для различных значений rs результаты следующие:
-значение - линейная - полиномиальная - гребневая полиномиальная
-1 - 0.54 - 0.08 - 0.35
-2 - 0.62 - 0.58 - 0.63
-3 - 0.6 - 0.67 - 0.65
-4 - 0.52 - 0.46 - 0.5
-5 - 0.4 - 0.42 - 0.44
-Из данных результатов можно заключить, что чёткой зависимости точности от выбранной модели нет.
-
-Однако, после этого я добавил в генератор данных число значений: 500. Результаты оказались более детерминированными:
-значение - линейная - полиномиальная - гребневая полиномиальная
-1 - 0.54 - 0.63 - 0.63
-2 - 0.52 - 0.63 - 0.62
-3 - 0.56 - 0.64 - 0.64
-4 - 0.5 - 0.63 - 0.62
-5 - 0.5 - 0.52 - 0.53
-Из данных результатов можно заключить, что в общем случае модель линейной регрессии уступает полиномиальным. Гребневая полиномиальная регрессия чаще уступала обычной полиномиальной, однако в незначительном количестве ситуаций была оценена выше - но во всех случаях результаты были близки, поэтому можно с уверенностью предположить, что результаты идентичны и различаются по воле шума обучения.
-
-После изучения число значений в генераторе заменено на 250, поскольку графики становились неразличимыми^
-значение - линейная - полиномиальная - гребневая полиномиальная
-1 - 0.48 - 0.54 - 0.54
-2 - 0.5 - 0.56 - 0.56
-3 - 0.57 - 0.6 - 0.6
-4 - 0.57 - 0.66 - 0.68
-5 - 0.49 - 0.54 - 0.55
-По данным результатам видно, что в большинстве ситуаций уже гребневая полиномиальная регрессия показывает лучшую точность.
-
-Результаты объясняются следующим образом: 
-Линейная регрессия будучи математически прямой плохо отражает сложные функции и нелинейные зависимости, в то время как полиномиальная регрессия способна отражать перегибы и изменяющиеся в зависимости от меры значений зависимости. Гребневая полиномиальная вышла идентичной простой полиномиальной из-за одинаковых настроек - обе они по заданию имеют третью степень, а гребневая регрессия имеет слишком малый параметр alpha, что результирует в малом эффекте гребневой функции.