# Лабораторная работа №1. Работа с типовыми наборами данных и различными моделями
## 6 вариант
### Задание:
Используя код из пункта «Регуляризация и сеть прямого
распространения» из источника (стр. 228), сгенерируйте определенный тип данных и
сравните на нем 3 модели (по варианту). Постройте графики, отобразите
качество моделей, объясните полученные результаты.

Данные: make_classification (n_samples=500, n_features=2,
n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)

Модели:
* Линейную регрессию
* Полиномиальную регрессию (со степенью 4)
* Гребневую полиномиальную регрессию (со степенью 4, alpha = 1.0)

### Как запустить лабораторную
1. Запустить файл main.py

### Используемые технологии
1. Библиотека matplotlib
2. Библиотека scikit-learn
3. Python
4. IDE PyCharm

### Описание лабораторной работы

Программа генерирует набор данных с помощью функции make_classification в функции main.
После чего делит данные на тестовую и обучающую выборки. В итоге запускает функции linear_regression, polin_regression_4, gr_polin_regression_4,
передавая им набор данных как аргументы. В вышеперечисленных функциях происходит обучение моделей на тестовой выборке, после чего предсказываются
данные на оставшейся выборке. В заключении строятся графики, которые отображают модели, в консоль выводится оценка их работы

### Результат
Программа выводит в консоль следующие данные:
Линейная регрессия: 0.8857142857142857
Полиномиальная регрессия: 0.9714285714285714
Гребневая полиномиальная регрессия: 0.7732479926366043
Выходит, что наиболее качественная для решения задачи-полиномиальная регрессия, а хуже всего справилась гребневая полиномиальная.

Скриншоты работы программы представлены в папке с лабораторной работой.