## Задание

Вариант 6:

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

Запустить файл main.py

## Используемые технологии

Библиотеки matplotlib, scikit-learn, их компоненты, все описано ниже

## Описание лабораторной (программы)

Программа генерирует набор данных с помощью функции make_classification с параметрами из задания  
Далее происходит разделение данных на обучащей и тестовый наборы с помощью функции train_test_split  
Потом происходит обучение моделей на тестовой выборке  
И предсказание уже на данных, которые остались  
В конце программа строит графики, отображающие данные в задании модели и выводит в консоль оценку их работы

## Результат

В результате программа выводит графики, скриншоты которых находятся в репозитории, а также оценки производительности обучения, полученные через model.score:  
Линейная регрессия: 0.92  
Полиномиальная регрессия: 0.96  
Гребневая полиномиальная регрессия: 0.7958276459808132  
Из результата видно, что наиболее качественной для решения данной задачи оказалась полиномиальная регрессия, наименее - гребневая полиномиальная
  
После полученных результатов я решила провести несколько тестов и вот что из этого вышло:   
  
Если поменять test_size c 0.8 на 0.2, то результат работы моделей ухудшится, и чем хуже он был до этого, тем еще более хуже стал  
Линейная регрессия: 0.8725  
Полиномиальная регрессия: 0.955  
Гребневая полиномиальная регрессия: 0.6678458571780717

Если изменить количество samples с 500 на 2500, то результат работы моделей значительно улучшится:  
Линейная регрессия: 0.996  
Полиномиальная регрессия: 0.998  
Гребневая полиномиальная регрессия: 0.9701030991054763  
Несмотря на это, по качеству модели выстроены все в том же порядке, что и при вводе дефолтных данных, хотя по результату все они решают задачу достаточно хорошо при получении достаточного количества данных