# Лабораторная работа №5 Вариант 25.

## Задание

Общее задание: Использовать линейную регрессию, самостоятельно сформулировав задачу.

Задача регрессии: Как влажность (Humidity) и скорость ветра (windspeed) влияют на количество арендованных велосипедов?

Ссылка на набор даных: [kaggle-bike-sharing-system](https://www.kaggle.com/datasets/itssuru/bike-sharing-system-washington-dc/?select=train_bikes.csv)

## Содержание
- [Лабораторная работа №5 Вариант 25.](#лабораторная-работа-5-вариант-25)
  - [Задание](#задание)
  - [Содержание](#содержание)
  - [Введение](#введение)
  - [Зависимости](#зависимости)
  - [Запуск приложения](#запуск-приложения)
  - [Описание кода](#описание-кода)
  - [Заключение](#заключение)
    - [Оценка работы моделей](#оценка-работы-моделей)
    - [На основе анализа можно сделать следующие выводы:](#на-основе-анализа-можно-сделать-следующие-выводы)
    - [Общий вывод](#общий-вывод)

## Введение

Данный код демонстрирует, использование линейной регрессии для анализа влияния влажности (humidity) и скорости ветра (windspeed) на количество арендованных велосипедов.

## Зависимости

Для работы этого приложения необходимы следующие библиотеки Python:

- pandas
- scikit-learn
- NumPy
- Matplotlib

Вы можете установить их с помощью pip:

```bash
pip install numpy scikit-learn pandas matplotlib
```

## Запуск приложения

Чтобы запустить эту программу, выполните следующую команду:

```bash
python lab5.py
```
Откроется визуализация данных и в консоль выведется резудьтат.

## Описание кода

- Используется библиотека `pandas` для чтения данных из файла `train_bikes.csv`, пропущенные значения удаляются из набора данных.

- Выделяются признаки `humidity` и `windspeed` и целевая переменная `count`.
  
- Используется `SimpleImputer` для замены пропущенных значений средними значениями.

- Данные разделяются на обучающий, валидационный и тестовый наборы с использованием `train_test_split`.

```python
X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.4, random_state=0)
X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=0)
```

- Инициализируется и обучается модель линейной регрессии на обучающем наборе.

```python
linear_model = LinearRegression()
linear_model.fit(X_train, y_train)
```

- Выводятся коэффициенты и пересечение линейной регрессии.

```python
print(f'Коэффициенты линейной регрессии: {linear_model.coef_}')
print(f'Пересечение линейной регрессии: {linear_model.intercept_}')
```

- Модель применяется для предсказания значений на тестовом наборе.

```python
y_pred = linear_model.predict(X_test)
```

- Вычисляются R^2 на обучающем, валидационном и тестовом наборах. Вычисляется среднеквадратичная ошибка (MSE) и корень из среднеквадратичной ошибки (RMSE).

```python
train_score = linear_model.score(X_train, y_train)
val_score = linear_model.score(X_val, y_val)
test_score = linear_model.score(X_test, y_test)

MSE = mean_squared_error(y_test, y_pred)
RMSE = math.sqrt(MSE)
```
  
- Визуализация предсказаний

## Заключение

### Оценка работы моделей

```bash
Коэффициенты линейной регрессии: [-2.89204789  0.09562289]
Пересечение линейной регрессии: 368.16350038517544     
R^2 на обучающем наборе: 0.09485704260674943
R^2 на валидационном наборе: 0.11424344387927587       
R^2 на тестовом наборе: 0.10376993874162632
Среднеквадратичная ошибка: 28561.64598031308
Корень из среднеквадратичной ошибки: 169.00191117355175
```

![](result.png)

### На основе анализа можно сделать следующие выводы:

1. Коэффициенты линейной регрессии:

- Влажность (humidity): Отрицательный коэффициент говорит о том, что уменьшение количества арендованных велосипедов связано с увеличением влажности.
- Скорость ветра (windspeed): Положительный коэффициент указывает на то, что увеличение количества арендованных велосипедов связано с увеличение скорости ветра. Однако, этот эффект малозначителен.

1. Оценка модели:

- R^2 (Коэффициент детерминации): Низкие значения R^2 (около 0.1) свидетельствуют о том, что выбранные признаки слабо объясняют изменение целевой переменной.
- Среднеквадратичная ошибка (MSE): Высокое значение MSE (28561.65) указывает на значительное расхождение между фактическими и предсказанными значениями.

3. Визуализация:

- График предсказанных и фактических значений показывает, что модель не идеально подходит под данные. Разброс предсказаний велик.

### Общий вывод

Модель линейной регрессии, основанная на влажности и скорости ветра, демонстрирует невысокую объясняющую способность (низкие значения R^2) и высокую среднеквадратичную ошибку. Это может свидетельствовать о том, что выбранные признаки недостаточно хорошо описывают зависимость от целевой переменной (количества арендованных велосипедов). Возможно, для более точного предсказания следует рассмотреть другие признаки или использовать более сложные модели.