# Лабораторная 5
## Вариант 9

## Задание
Использовать Ласо-регрессию, самостоятельно  сформулировав  задачу.  Оценить, насколько хорошо она подходит для решения сформулированной вами задачи.

Задача:

Можно использовать регрессию для прогнозирования заработной платы на основе опыта работы (experience_level), типа занятости (employment_type), местоположения компании (company_location) и размера компании (company_size).

## Описание Программы
Программа представляет собой пример использования Lasso регрессии для прогнозирования заработной платы на основе различных признаков.

### Используемые библиотеки
- `pandas`: Библиотека для обработки и анализа данных, используется для загрузки и предобработки данных.
- `scikit-learn`:

train_test_split: Используется для разделения данных на обучающий и тестовый наборы.

StandardScaler: Применяется для нормализации числовых признаков.

OneHotEncoder: Используется для кодирования категориальных признаков.

Lasso: Линейная модель Lasso для обучения регрессии.

Pipeline: Позволяет объединять шаги предварительной обработки данных и обучения модели в пайплайн.

- `matplotlib`: Используется для визуализации коэффициентов модели в виде горизонтальной столбчатой диаграммы.
- `numpy`: Использована для работы с числовыми данными.

### Шаги программы

**Загрузка данных:**

Используется библиотека pandas для загрузки данных из файла ds_salaries.csv.

**Предварительная обработка данных:**

Категориальные признаки ('experience_level', 'employment_type', 'company_location', 'company_size') обрабатываются с использованием OneHotEncoder, а числовые признаки ('work_year') нормализуются с помощью StandardScaler. Эти шаги объединены в ColumnTransformer и используются в качестве предварительного обработчика данных.

**Выбор признаков:**

Определены признаки, которые будут использоваться для обучения модели.

**Разделение данных:**

Данные разделены на обучающий и тестовый наборы в соотношении 80/20 с использованием train_test_split.

**Обучение модели:**

Используется линейная модель Лассо-регрессия, объединенная с предварительным обработчиком данных в рамках Pipeline.

**Оценка точности модели:**

Вычисляется коэффициент детерминации (R^2 Score) и среднеквадратичная ошибка (Mean Squared Error) для оценки точности модели.

**Вывод предсказанных и фактических значений:**

Создается DataFrame с фактическими и предсказанными значениями и выводится в консоль.

**Визуализация весов (коэффициентов) модели:**

Строится горизонтальная столбчатая диаграмма для визуализации весов (коэффициентов) модели.

### Запуск программы
- Склонировать или скачать код `main.py`.
- Запустите файл в среде, поддерживающей выполнение Python. `python main.py`

### Результаты
![](img.png)

![](cli_res.png)

Точность модели составляет всего 39%, что является довольно низким показателем

MSE довольно высок, что указывает на то, что модель не слишком хорошо соответствует данным и допускает ошибки в предсказаниях

Фактические и предсказанные значения: видно, что модель часто недооценивает или переоценивает заработную плату. Например, для индексов 563 и 289 фактическая заработная плата выше, чем предсказанная.

Изменение alfa не особо улучшает общую картину, поэтому, можно сделать вывод, что следует выбрать другой алгоритм.