abanin_daniil_lab_1/README.md

@@ -0,0 +1,47 @@
+## Лабораторная работа №1
+
+### Работа с типовыми наборами данных и различными моделями
+
+### ПИбд-41 Абанин Даниил
+
+### Как запустить лабораторную работу:
+
+* установить python, numpy, matplotlib, sklearn
+* запустить проект (стартовая точка класс lab1)
+
+### Какие технологии использовались:
+
+* Язык программирования `Python`, 
+* Библиотеки numpy, matplotlib, sklearn
+* Среда разработки `PyCharm`
+
+### Что делает лабораторная работа:
+
+* Программа гененерирует данные с make_moonsmake_moons (noise=0.3, random_state=rs)
+* Сравнивает три типа моделей: инейная, полиномиальная, гребневая полиномиальная регрессии
+
+### Примеры работы:
+
+#### Результаты:
+MAE - средняя абсолютная ошибка, измеряет среднюю абсолютную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной
+MSE - средняя квадратическая ошибка, измеряет среднюю квадратичную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной
+
+Чем меньше значения показателей, тем лучше модель справляется с предсказанием
+
+Линейная регрессия
+MAE 0.2959889435199454
+MSE 0.13997968555679302
+
+Полиномиальная регрессия
+MAE 0.21662135861071705
+MSE 0.08198825629271855
+
+Гребневая полиномиальная регрессия
+MAE 0.2102788716636562
+MSE 0.07440133949387796
+
+Лучший результат показала модель **Гребневая полиномиальная регрессия**
+
+![Lin](lin_reg.jpg)
+![Pol](pol_reg.jpg)
+![Greb](greb_reg.jpg)

abanin_daniil_lab_1/lab1.py

@@ -0,0 +1,66 @@
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.linear_model import LinearRegression, Ridge
+from sklearn.model_selection import train_test_split
+from sklearn.pipeline import Pipeline
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.datasets import make_moons
+from sklearn import metrics
+
+cm_bright = ListedColormap(['#8B0000', '#FF0000'])
+cm_bright1 = ListedColormap(['#FF4500', '#FFA500'])
+
+
+def create_moons():
+    x, y = make_moons(noise=0.3, random_state=0)
+    X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=.4, random_state=42)
+
+    linear_regretion(X_train, X_test, y_train, y_test)
+    polynomial_regretion(X_train, X_test, y_train, y_test)
+    ridge_regretion(X_train, X_test, y_train, y_test)
+
+
+def linear_regretion(x_train, x_test, y_train, y_test):
+    model = LinearRegression().fit(x_train, y_train)
+    y_predict = model.intercept_ + model.coef_ * x_test
+    plt.title('Линейная регрессия')
+    print('Линейная регрессия')
+    plt.scatter(x_train[:, 0], x_train[:, 1], c=y_train, cmap=cm_bright)
+    plt.scatter(x_test[:, 0], x_test[:, 1], c=y_test, cmap=cm_bright1, alpha=0.7)
+    plt.plot(x_test, y_predict, color='red')
+    print('MAE', metrics.mean_absolute_error(y_test, y_predict[:, 1]))
+    print('MSE', metrics.mean_squared_error(y_test, y_predict[:, 1]))
+    plt.show()
+
+
+def polynomial_regretion(x_train, x_test, y_train, y_test):
+    polynomial_features = PolynomialFeatures(degree=3)
+    X_polynomial = polynomial_features.fit_transform(x_train, y_train)
+    base_model = LinearRegression()
+    base_model.fit(X_polynomial, y_train)
+    y_predict = base_model.predict(X_polynomial)
+    plt.title('Полиномиальная регрессия')
+    plt.scatter(x_train[:, 0], x_train[:, 1], c=y_train, cmap=cm_bright)
+    plt.scatter(x_test[:, 0], x_test[:, 1], c=y_test, cmap=cm_bright1, alpha=0.7)
+    plt.plot(x_train, y_predict, color='blue')
+    plt.show()
+    print('Полиномиальная регрессия')
+    print('MAE', metrics.mean_absolute_error(y_train, y_predict))
+    print('MSE', metrics.mean_squared_error(y_train, y_predict))
+
+
+def ridge_regretion(X_train, X_test, y_train, y_test):
+    model = Pipeline([('poly', PolynomialFeatures(degree=3)), ('ridge', Ridge(alpha=1.0))])
+    model.fit(X_train, y_train)
+    y_predict = model.predict(X_test)
+    plt.title('Гребневая полиномиальная регрессия')
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright1, alpha=0.7)
+    plt.plot(X_test, y_predict, color='blue')
+    plt.show()
+    print('Гребневая полиномиальная регрессия')
+    print('MAE', metrics.mean_absolute_error(y_test, y_predict))
+    print('MSE', metrics.mean_squared_error(y_test, y_predict))
+
+
+create_moons()