simonov_nikita_lab_1/lab1-web.py

@@ -0,0 +1,70 @@
+from flask import Flask, render_template
+import numpy as np
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from sklearn.datasets import make_moons
+from sklearn.linear_model import LogisticRegression
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.pipeline import make_pipeline
+from sklearn.metrics import accuracy_score
+import io
+from flask import Response
+import matplotlib
+import base64
+
+app = Flask(__name__)
+matplotlib.use('Agg')
+matplotlib.rcParams['figure.max_open_warning'] = 0
+
+# Создаем данные
+moon_dataset = make_moons(noise=0.3, random_state=None)
+X, y = moon_dataset
+X = StandardScaler().fit_transform(X)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=42)
+
+# Создаем модели
+models = {
+    "Линейная регрессия": LogisticRegression(),
+    "Полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression()),
+    "Гребневая полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression(penalty='l2', C=1.0))
+}
+
+background_color1 = '#CE5A57'
+background_color2 = '#78A5A3'
+data_color1 = 'red'
+data_color2 = 'green'
+
+# Обучаем и оцениваем модели
+model_results = {}
+for name, model in models.items():
+    model.fit(X_train, y_train)
+    y_pred = model.predict(X_test)
+    accuracy = accuracy_score(y_test, y_pred)
+    model_results[name] = {
+        'accuracy': accuracy,
+        'X_test': X_test,
+        'y_test': y_test,
+        'model': model
+    }
+
+@app.route('/')
+def index():
+    plot_images = {}
+    for model_name, results in model_results.items():
+        fig, ax = plt.subplots(figsize=(8, 6))
+        cm_data = ListedColormap([data_color1, data_color2])
+        scatter = ax.scatter(results['X_test'][:, 0], results['X_test'][:, 1], c=results['model'].predict(results['X_test']), cmap=cm_data, alpha=0.6)
+        ax.set_xticks(())
+        ax.set_yticks(())
+        ax.set_title(model_name)
+        buf = io.BytesIO()
+        plt.savefig(buf, format='png')
+        buf.seek(0)
+        plot_images[model_name] = base64.b64encode(buf.read()).decode('utf-8')
+
+    return render_template('index.html', model_results=model_results, plot_images=plot_images)
+
+if __name__ == '__main__':
+    app.run(threaded=True)

simonov_nikita_lab_1/readme.md

@@ -0,0 +1,143 @@
+# Лабораторная работа №1. Вариант 4.
+
+## Задание
+
+Сгенерируйте определенный тип данных и
+сравните на нем 3 модели (по варианту). Постройте графики, отобразите качество моделей, объясните полученные результаты.
+
+## Содержание
+- [Лабораторная работа №1. Вариант 4.](#лабораторная-работа-1-вариант-4)
+  - [Задание](#задание)
+  - [Содержание](#содержание)
+  - [Введение](#введение)
+  - [Зависимости](#зависимости)
+  - [Запуск приложения](#запуск-приложения)
+  - [Описание кода](#описание-кода)
+    - [Создание данных](#создание-данных)
+    - [Создание моделей](#создание-моделей)
+    - [Обучение и оценка моделей](#обучение-и-оценка-моделей)
+    - [Веб-приложение](#веб-приложение)
+  - [Использование](#использование)
+  - [Модели](#модели)
+    - [Линейная регрессия](#линейная-регрессия)
+    - [Полиномиальная регрессия](#полиномиальная-регрессия)
+    - [Гребневая полиномиальная регрессия](#гребневая-полиномиальная-регрессия)
+  - [Заключение](#заключение)
+
+## Введение
+
+Это Flask-приложение создано для демонстрации работы различных моделей машинного обучения на сгенерированном наборе данных "Лунные данные". Приложение включает в себя веб-страницу, на которой можно посмотреть визуализацию результатов трех моделей (линейная регрессия, полиномиальная регрессия и гребневая полиномиальная регрессия).
+
+## Зависимости
+
+Для работы этого приложения необходимы следующие библиотеки Python:
+
+- Flask
+- Matplotlib
+- scikit-learn
+- NumPy
+- io
+
+Вы можете установить их с помощью pip:
+
+```bash
+pip install flask matplotlib scikit-learn numpy
+```
+
+## Запуск приложения
+
+Чтобы запустить это Flask-приложение, выполните следующую команду:
+
+```bash
+python lab1-web.py
+```
+
+Приложение будет доступно по адресу `http://localhost:5000` в вашем веб-браузере.
+
+## Описание кода
+
+### Создание данных
+
+Для создания набора данных используется функция `make_moons` из scikit-learn. Данные представляют собой два класса, сгруппированных в форме лун, с добавлением шума. Затем данные нормализуются с использованием `StandardScaler`, и разделяются на обучающий и тестовый наборы данных.
+
+### Создание моделей
+
+В коде определены три модели машинного обучения:
+
+1. Линейная регрессия.
+2. Полиномиальная регрессия четвертой степени. Она создается с использованием `PolynomialFeatures` и логистической регрессии.
+3. Гребневая полиномиальная регрессия четвертой степени. Она также создается с использованием `PolynomialFeatures`, но с добавлением регуляризации (гребня) в логистической регрессии.
+
+### Обучение и оценка моделей
+
+Модели обучаются на обучающем наборе данных, и их точность оценивается на тестовом наборе данных с использованием метрики `accuracy_score`, показывающей точность моделей. Результаты оценки сохраняются в словаре `model_results`, который содержит информацию о точности модели и тестовых данных.
+
+### Веб-приложение
+
+Приложение реализовано с использованием Flask:
+
+- маршрут: `/` - главная страница, на которой отображаются результаты работы моделей.
+
+## Использование
+
+1. Запустите приложение, как описано выше.
+
+2. Перейдите по адресу `http://localhost:5000` в вашем веб-браузере.
+
+3. На главной странице вы увидите результаты работы всех трех моделей, включая их точность.
+
+## Модели
+
+### Линейная регрессия
+
+Модель создается следующим образом:
+```python
+"Линейная регрессия": LogisticRegression()
+```
+Результат в виде графика:
+
+![](/result/result_1.png)
+
+Точность полученной модели получилась равной 0.875
+
+### Полиномиальная регрессия
+
+Код создания модели:
+```python
+"Полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression())
+```
+Результат в виде графика:
+
+![](/result/result_2.png)
+
+Точность полученной модели получилась равной 0.85
+
+### Гребневая полиномиальная регрессия
+
+Код создания модели:
+```python
+"Гребневая полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression(penalty='l2', C=1.0))
+```
+Результат в виде графика:
+
+![](/result/result_3.png)
+
+Точность полученной модели получилась равной 0.85
+
+
+## Заключение
+Все полученные модели:
+
+![](/result/result_4.png)
+
+1. "Линейная регрессия" продемонстрировала самую высокую точность среди всех трех моделей (0.875). 
+- Это означает, что линейная модель достаточно хорошо справляется с задачей классификации данных.
+- Это может быть следствием хорошо структурированных данных.
+
+2. "Полиномиальная регрессия" и "Гребневая полиномиальная регрессия" имеют одинаковую точность (0.85). 
+- Обе эти модели показали одинаково хорошие результаты и считаются весьма точными для данной задачи.
+- Это может свидетельствовать о наличии нелинейных зависимостей в данных, которые успешно извлечены благодаря использованию полиномиальных признаков и гребневой регуляризации.
+- В данном контексте различие между "Полиномиальной регрессией" и "Гребневой полиномиальной регрессией" может быть незначительным, так как точность одинакова.
+   
+3. Модели смогли достичь высокой точности, что может указывать на наличие явных зависимостей между признаками и целевой переменной.
+   

simonov_nikita_lab_1/templates/index.html

@@ -0,0 +1,43 @@
+<!DOCTYPE html>
+<html>
+<head>
+    <title>Модели классификации</title>
+    <style>
+        body {
+            display: flex;
+            flex-direction: column;
+            align-items: center;
+            color: rgb(241, 228, 228);
+            background-color: rgb(35, 35, 48);
+        }
+        h1 {
+            text-align: center;
+        }
+        table {
+            width: 60%;
+        }
+        td {
+            text-align: center;
+        }
+      </style>
+</head>
+<body>
+    <h1>Результаты моделей классификации</h1>
+    <table>
+        <tr>
+            <th style="width: 15%;">Модель</th>
+            <th style="width: 15%;">Точность</th>
+            <th>График</th>
+        </tr>
+        {% for model_name, results in model_results.items() %}
+        <tr>
+            <td>{{ model_name }}</td>
+            <td>{{ results['accuracy'] }}</td>
+            <td>
+                <img src="data:image/png;base64,{{ plot_images[model_name] }}" width="400" height="300">
+            </td>
+        </tr>
+        {% endfor %}
+    </table>
+</body>
+</html>