# Лабораторная работа №5
## ПИбд-42 Машкова Маргарита (Вариант 19)
## Задание
C помощью гребневой регрессии решить задачу:
Предсказать стоимость телефона по всем признакам.
Оценить, насколько хорошо она подходит для решения сформулированной задачи.

### Данные: 
> Датасет о характеристиках мобильных телефонов и их ценах
> 
> Ссылка на датасет в kaggle: [Mobile Phone Specifications and Prices](https://www.kaggle.com/datasets/pratikgarai/mobile-phone-specifications-and-prices/data)

### Модели:

> - Гребневая регрессия (Ridge)

## Запуск программы
Для запуска программы необходимо запустить файл main.py

## Используемые технологии
> **Язык программирования:** python
> 
> **Библиотеки:**
> - `pandas` -  предоставляет функциональность для обработки и анализа набора данных.
> - `sklearn` - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.
## Описание работы программы

### Описание набора данных
Данный набор содержит характеристики различных телефонов, в том числе их цену.

Названия столбцов набора данных и их описание:

- **Id** - идентификатор строки (int)
- **Name** - наименование телефона (string)
- **Brand** - наименование бренда телефона (string)
- **Model** - модель телефона (string)
- **Battery capacity (mAh)** - емкость аккумулятора в мАч (int)
- **Screen size (inches)** - размер экрана в дюймах по противоположным углам (float)
- **Touchscreen** - имеет телефон сенсорный экран или нет (string - Yes/No)
- **Resolution x** - разрешение телефона по ширине экрана (int)
- **Resolution y** - разрешение телефона по высоте экрана (int)
- **Processor** - количество ядер процессора (int)
- **RAM (MB)** - доступная оперативная память телефона в МБ (int)
- **Internal storage (GB)** - внутренняя память телефона в ГБ (float)
- **Rear camera** - разрешение задней камеры в МП (0, если недоступно) (float)
- **Front camera** - разрешение фронтальной камеры в МП (0, если недоступно) (float)
- **Operating system** - ОС, используемая в телефоне (string)
- **Wi-Fi** - имеет ли телефон функция Wi-Fi (string - Yes/No)
- **Bluetooth** - имеет ли телефон функцию Bluetooth (string - Yes/No)
- **GPS** - имеет ли телефон функцию GPS (string - Yes/No)
- **Number of SIMs** - количество слотов для SIM-карт в телефоне (int)
- **3G** - имеет ли телефон сетевую функкцию 3G (string - Yes/No)
- **4G/ LTE** - имеет ли телефон сетевую функкцию 4G/LTE (string - Yes/No)
- **Price** - цена телефона в индийских рупиях (int)

Первоначально данные обрабатываются: все строковые значения признаков необходимо привести к численным.

Функция train_test_split делит данные так, что тестовая выборка составляет 1% от исходного набора данных.
Разделение происходит случайным образом (т.е. элементы берутся из исходной выборки не последовательно). 
После чего для выполняются следующие действия:

1. Создание модели гребневой регрессии.
2. Обучение модели на исходных данных.
3. Предсказание модели на тестовых данных.
4. Оценка качества модели:

- Коэффициент детерминации: метрика, которая измеряет, насколько хорошо модель соответствует данным. 
Принимает значения от 0 до 1, где 1 означает идеальное соответствие модели данным, 
а значения ближе к 0 указывают на то, что модель плохо объясняет вариацию в данных.
Для вычисления коэффициента детерминации модели используется метод score библиотеки scikit-learn.

После чего строится график, отображающий результаты работы модели.
Зелёные точки - ожидаемая цена.
Красные точки - цена, предсказанная моделью.

## Тесты
### Оценка качества предсказания:

![Оценка качества предсказания](console.png)

### График. Сравнение ожидаемых и фактических результатов предсказания цены телефона:

![Сравнение ожидаемых и фактических результатов предсказания цены телефона](plot.png)
 
**Вывод:** исходя из полученных результатов, коэффициент детерминации составляет около 83%, 
что говорит о том, что модель выше среднего соответствует данным.
На графике видно примерно такую же точность предсказаний.