tepechin_kirill_lab_1/README.md

@@ -0,0 +1,35 @@
+## Лабораторная работа №1, ПИбд-42 Тепечин Кирилл, Вариант 26(5)
+
+### Задание
+#### Данные:
+make_circles (noise=0.2, factor=0.5, random_state=rs)
+#### Модели:
+* Линейная регрессия
+* Полиномиальная регрессия (со степенью 4)
+* Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)
+### Как запустить лабораторную работу:
+
+Для запуска лабораторной работы необходимо запустить файл lab1.py
+
+### Используемые технологии:
+
+* Python 3.12
+* numpy
+* matplotlib
+* scikit-learn
+
+### Что делает лабораторная работа:
+
+Эта лабораторная работа создает и сравнивает различные модели регрессии для сгенерированного набора данных, оценивая их производительность на основе среднеквадратичной ошибки и визуализируя их предсказания на графиках.
+
+### Результат:
+* *Линейная регрессия*, среднеквадратичная ошибка: 0.29507570583195913
+* *Полиноминальная регрессия*, среднеквадратичная ошибка: 0.1803255642844966
+* *Гребневая полиномиальная регрессия*, среднеквадратичная ошибка: 0.17274375314846807
+
+### Вывод
+Самое маленькое значение mse у *Гребневая полиномиальная регрессия*
+
+### График 
+
+![График](plots.png)

tepechin_kirill_lab_1/lab1.py

@@ -0,0 +1,74 @@
+import matplotlib.pyplot as plt
+import numpy as np
+from matplotlib.colors import ListedColormap
+from sklearn.datasets import make_circles
+from sklearn.linear_model import LinearRegression
+from sklearn.linear_model import Ridge
+from sklearn.metrics import mean_squared_error
+from sklearn.model_selection import train_test_split
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import PolynomialFeatures, StandardScaler
+
+rs = 42
+
+X, y = make_circles(noise=0.2, factor=0.5, random_state=rs)
+X = StandardScaler().fit_transform(X)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=rs)
+
+# Инициализируем модели
+linear_model = LinearRegression()
+poly_model = make_pipeline(PolynomialFeatures(4), LinearRegression())
+ridge_model = make_pipeline(PolynomialFeatures(4), Ridge(alpha=1.0))
+
+# Обучаем модели
+linear_model.fit(X_train, y_train)
+poly_model.fit(X_train, y_train)
+ridge_model.fit(X_train, y_train)
+
+# Предсказываем значения для тестового набора
+y_pred_linear = linear_model.predict(X_test)
+y_pred_poly = poly_model.predict(X_test)
+y_pred_ridge = ridge_model.predict(X_test)
+
+# Качество моделей
+mse_linear = mean_squared_error(y_test, y_pred_linear)
+mse_poly = mean_squared_error(y_test, y_pred_poly)
+mse_ridge = mean_squared_error(y_test, y_pred_ridge)
+models_data = [(linear_model, "Линейная", mse_linear), (poly_model, "Полиномиальная", mse_poly),
+               (ridge_model, "Греб. полиномиальная", mse_ridge)]
+# Печатаем MSE
+print(f"mse линейная: {mse_linear}")
+print(f"mse полиномиальная: {mse_poly}")
+print(f"mse гребневая полиномиальная: {mse_ridge}")
+
+cm = plt.cm.RdBu
+cm_bright = ListedColormap(['#FF0000', '#0000FF'])
+
+fig, axs = plt.subplots(1, 3, figsize=(15, 7))
+fig.suptitle('Сравнение регрессионных моделей')
+
+
+# Функция отрисовки моделей
+def draw_plot(model_data, i):
+    h = .02  # шаг регулярной сетки
+    x0_min, x0_max = X[:, 0].min() - .5, X[:, 0].max() + .5
+    x1_min, x1_max = X[:, 1].min() - .5, X[:, 1].max() + .5
+    xx0, xx1 = np.meshgrid(np.arange(x0_min, x0_max, h), np.arange(x1_min, x1_max, h))
+    Z = model_data[0].predict(np.c_[xx0.ravel(), xx1.ravel()])  # 3
+
+    Z = Z.reshape(xx0.shape)
+    axs[i].contourf(xx0, xx1, Z, cmap=cm, alpha=.8)
+    axs[i].set_xlim(xx0.min(), xx0.max())
+    axs[i].set_ylim(xx0.min(), xx1.max())
+    axs[i].set_xticks(())
+    axs[i].set_yticks(())
+    axs[i].set_title(model_data[1])
+    axs[i].text(xx0.max() - .3, xx1.min() + .3, ('%.2f' % model_data[2]).lstrip('0'),
+                size=15, horizontalalignment='right')
+    axs[i].scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.6)
+
+
+for i, model_data in enumerate(models_data):
+    draw_plot(model_data, i)
+plt.savefig("plots.png")
+plt.show()