# Лабораторная работа №1. Работа с типовыми наборами данных и различными моделями
## 14 вариант
___

### Задание:
Используя код из пункта «Регуляризация и сеть прямого распространения», сгенерируйте определенный тип данных и сравните на нем 3 модели (по варианту).  Постройте графики, отобразите качество моделей, объясните полученные результаты.  

### Данные по варианту:
-  make_circles (noise=0.2, factor=0.5, random_state=rs)

### Модели по варианту:
- Линейная регрессия
- Персептрон
- Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)

___

### Запуск
- Запустить файл lab1.py

### Используемые технологии
- Язык программирования **Python**
- Среда разработки **PyCharm**
- Библиотеки:
    * sklearn 
    * matplotlib

### Описание программы
Программа генерирует набор данных с помощью функции make_circles()
с заданными по варианту параметрами. После этого происходит создание и обучение моделй, вывод в консоль
качества данных моделей по варианту и построение графикиков для этих моделей.

Оценка точности происходит при помощи MAE (средняя абсолютная ошибка, измеряет среднюю абсолютную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной) и MSE (средняя квадратическая ошибка, измеряет среднюю квадратичную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной). Модель с наименьшими показателями MSE и MAE считается наиболее приспособленной к задаче предсказания.

___
### Пример работы

![Graphics](lr.png)
```text
===> Линейная регрессия <===
MAE 0.5039063025033765
MSE 0.254199973993164
```
___

![Graphics](pers.png)
```text
===> Персептрон <===
MAE 0.5
MSE 0.5
```
___

![Graphics](pr.png)
```text
===> Гребневая полиномиальная регрессия <===
MAE 0.24796914724994906
MSE 0.07704666136671298
```

### Вывод
Моделью с наименьшими значениями MAE и MSE оказалась модель гребневой полиномиальной регресссии, следоватьельно ее можно назвать наиболее подходящей для задачи регрессии при данной конфигурации исходных данных.