## Лабораторная работа №1

### Работа с типовыми наборами данных и различными моделями

### ПИбд-41 Абанин Даниил

### Как запустить лабораторную работу:

* установить python, numpy, matplotlib, sklearn
* запустить проект (стартовая точка класс lab1)

### Какие технологии использовались:

* Язык программирования `Python`, 
* Библиотеки numpy, matplotlib, sklearn
* Среда разработки `PyCharm`

### Что делает лабораторная работа:

* Программа гененерирует данные с make_moonsmake_moons (noise=0.3, random_state=rs)
* Сравнивает три типа моделей: инейная, полиномиальная, гребневая полиномиальная регрессии

### Примеры работы:

#### Результаты:
MAE - средняя абсолютная ошибка, измеряет среднюю абсолютную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной
MSE - средняя квадратическая ошибка, измеряет среднюю квадратичную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной

Чем меньше значения показателей, тем лучше модель справляется с предсказанием

Линейная регрессия
MAE 0.2959889435199454
MSE 0.13997968555679302

Полиномиальная регрессия
MAE 0.21662135861071705
MSE 0.08198825629271855

Гребневая полиномиальная регрессия
MAE 0.2102788716636562
MSE 0.07440133949387796

Лучший результат показала модель **Гребневая полиномиальная регрессия**

![Lin](lin_reg.jpg)
![Pol](pol_reg.jpg)
![Greb](greb_reg.jpg)