madyshev_egor_lab_5/main.py

@@ -0,0 +1,57 @@
+import numpy as np
+import pandas as pb
+import matplotlib.pyplot as plt
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression, Perceptron, LogisticRegression, Lasso, Ridge
+from sklearn.neural_network import MLPClassifier, MLPRegressor
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import LabelEncoder, OneHotEncoder, MinMaxScaler
+from sklearn.tree import DecisionTreeRegressor, DecisionTreeClassifier
+from sklearn.preprocessing import PolynomialFeatures
+
+df = pb.read_csv("StudentsPerformance.csv", sep=",", encoding="windows-1251")
+df1 = df
+print("Данные без подготовки:")
+with pb.option_context('display.max_rows', None, 'display.max_columns', None, 'display.width', 1000):
+    print(df[:5])
+
+def prepareStringData(columnName):
+    uniq = df[columnName].unique()
+    mp = {}
+    for i in uniq:
+        mp[i] = len(mp)
+    df[columnName] = df[columnName].map(mp)
+
+
+print()
+print("Данные после подготовки:")
+prepareStringData("gender")
+prepareStringData("race/ethnicity")
+prepareStringData("parental level of education")
+prepareStringData("lunch")
+prepareStringData("test preparation course")
+with pb.option_context('display.max_rows', None, 'display.max_columns', None, 'display.width', 1000):
+    print(df[:5])
+
+
+
+X = df[["gender", "race/ethnicity", "lunch", "test preparation course", "parental level of education", "reading score", "writing score"]]
+y = df["math score"]
+X_train, X_Test, y_train, y_test = train_test_split(X, y, test_size=0.26, random_state=42)
+lnr = LinearRegression()
+lnr = lnr.fit(X_train,y_train)
+
+poly_regression = make_pipeline(PolynomialFeatures(degree=4), LinearRegression())
+poly_regression.fit(X_train, y_train)
+
+lasso = Lasso()
+lasso.fit(X_train, y_train)
+
+ridge = Ridge()
+ridge.fit(X_train, y_train)
+
+
+print("Линейная регрессия: ", lnr.score(X_Test,y_test))
+print("Полиномиальная регрессия: ", poly_regression.score(X_Test,y_test))
+print("Лассо-регрессия: ", lasso.score(X_Test,y_test))
+print("Гребневая регрессия: ", ridge.score(X_Test,y_test))

madyshev_egor_lab_5/readme.md

@@ -0,0 +1,41 @@
+# Задание
+Использовать регрессию по варианту для данных из таблицы 1 по варианту (таблица 10), самостоятельно сформулировав задачу. Оценить, насколько хорошо она подходит для решения сформулированной вами задачи.    
+## Задание по варианту
+Полиномиальная регрессия
+## Решение
+### Запуск программы
+Для запуска программы необходимо запустить файл main.py, содержащий код программы  
+### Используемые технологии
+Программа использует следующие библиотеки:  
+- numpy - библиотека для работы с массивами и матрицами.
+- matplotlib - библиотека для создания графиков и визуализации данных.
+- sklearn - библиотека для машинного обучения и анализа данных.
+### Что делает программа
+Программа читает данные из csv файла. Подготавливает их для работы модели, приводя текстовые параметры к числам.  И пытается научиться предсказывать оценку по математике на основании остальных данных с помощью различных моделей.
+### Тесты
+Данные без подготовки:  
+   gender race/ethnicity parental level of education         lunch test preparation course  math score  reading score  writing score  
+0  female        group B           bachelor's degree      standard                    none          72             72             74  
+1  female        group C                some college      standard               completed          69             90             88  
+2  female        group B             master's degree      standard                    none          90             95             93  
+3    male        group A          associate's degree  free/reduced                    none          47             57             44  
+4    male        group C                some college      standard                    none          76             78             75  
+  
+Данные после подготовки:  
+   gender  race/ethnicity  parental level of education  lunch  test preparation course  math score  reading score  writing score  
+0       0               0                            0      0                        0          72             72             74  
+1       0               1                            1      0                        1          69             90             88  
+2       0               0                            2      0                        0          90             95             93  
+3       1               2                            3      1                        0          47             57             44  
+4       1               1                            1      0                        0          76             78             75  
+  
+Линейная регрессия:  0.8769480272687482  
+Полиномиальная регрессия:  0.736490555768213  
+Лассо-регрессия:  0.8299946331354273  
+Гребневая регрессия:  0.8768384994076267  
+
+Логическая регрессия не подошла так как требует чтобы переменная ответа была двоичной.
+Из результатов четырех моделей видно, что для решения задачи предсказания оценки по математике неплохо подходит модель Линейной регрессии.  
+Модель гребневой регрессии имеет схожие результаты. Далее идет лассо, и хуже всех полиномиальная регрессия.  
+  
+Вывод: Для решения задачи предсказания результатов экзамена по математике неплохо подходят линейные модели, а именно линейная регрессия и гребневая регрессия