Вариант 2

Задание на лабораторную работу:

По данным построить графики 3 моделей:

- Линейную регрессию 
- Полиномиальную регрессию (со степенью 3) 
- Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0) 

Данные: make_circles (noise=0.2, factor=0.5, random_state=rs)

Как запустить лабораторную работу:

Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_1.py, после чего будут отрисованы 3 графика, которые также можно увидеть в формате png в папке проекта.

Библиотеки

Matplotlib. Используется для создания графиков.

Sklearn. Предоставляет инструменты и алгоритмы, которые упрощают задачи, связанные с машинным обучением.

Описание программы:

- Генерируем набор данных из 100 точек данных используя функцию make_circles
- С помощью функции train_test_split разделяем данные на тестовые и обучающие в соотношении 20 к 80
- Создаем 3 модели:
- Линейную регрессию
- Полиномиальную регрессию (со степенью 3)
- Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0)
- Модели используем для предсказания классов с помощью метода predict
- Оцениваем точность каждой модели
- Строим графики для визуального представления и оценивая работ моделей
- Сравниваем точности моделей и выбираем наиболее точную

![Linear.png](Linear.png)![Polynomial.png](Polynomial.png)![Ridge.png](Ridge.png)

Изходя из результатов: Линейная - 0.30, Полиномиальная - 0.45, Гребневая полиномиальная - 0.47, делаем вывод, что наиболее точная модель - Гребневая полиномиальная.