# Лабораторная №1. Вариант №21

## Тема: 
Работа с типовыми наборами данных и различными моделями
## Задание:

Сгенерировать определённый тип данных, сравнить на нём разные модели и отобразить качество на графиках.

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

Модели: 
- Линейная регрессия 
- Полиномиальная регрессия (со степенью 5)
- Гребневая полиномиальная регрессия (со степенью 5, alpha = 1.0)

## Как запустить программу?
Необходимо запустить файл **main.py**
## Использованные технологии

Этот код использует несколько библиотек и технологий для создания синтетических данных, обучения различных моделей регрессии и визуализации результатов. Вот краткое описание использованных технологий:

1. **NumPy** - это библиотека для работы с массивами и матрицами чисел. Она используется для создания и манипуляции данными.

1. **Matplotlib** - это библиотека для создания графиков и визуализации данных. Она используется для отображения данных на графиках.

1. **Scikit-learn** - это библиотека машинного обучения, которая предоставляет множество инструментов для обучения моделей и анализа данных. В этом коде используются следующие модули из этой библиотеки:

- *make_classification* - используется для генерации синтетических данных классификации.
- *train_test_split* - используется для разделения данных на обучающий и тестовый наборы.
- *linearRegression* - используется для создания и обучения линейной регрессии.
- *polynomialFeatures* - используется для создания полиномиальных признаков.
- *ridge* - используется для создания и обучения гребневой полиномиальной регрессии.
- *r2_score* - используется для вычисления коэффициента детерминации модели.

## Описание работы

Сначала программа использует функцию **make_classification** для создания синтетических данных. Эти данные представляют собой два признака и являются результатом задачи классификации. Всего создается 500 точек данных.

Сгенерированные данные разделяются на обучающий и тестовый наборы с использованием функции **train_test_split**. Обучающий набор содержит 80% данных, а тестовый набор - 20%. 

Далее прооисходит обучение моделей. Для каждой строятся графики, на которых отображаются тестовые данные и предсказанные значения для оценки, насколько хорошо модель соответствует данным.

Для каждой модели программа вычисляет коэффициент детерминации с использованием функции **r2_score**.

Программа создает, обучает и визуализирует три модели регрессии и позволяет оценить их производительность на сгенерированных данных.

## Выходные данные
Была выведена следующая точность у моделей:
```
Линейная регрессия с точностью 0.52 
Полиномиальная регрессия с точностью -0.20 
Гребневая полиномиальная регрессия с точностью -0.09
```
Графики результатов построены следующим образом:
- Линейная регрессия

![](1.png "")

- Полиномиальная регрессия

![](2.png "")

- Гребневая полиномиальная регрессия

![](3.png "")

Линейная регрессия показала наилучшую точность с точностью, равной 0.52, что указывает на приемлемую предсказательную способность модели. Полиномиальная и гребневая полиномиальная регрессии со значениями -0.20 и -0.09 соответственно, демонстрируют низкую точность.