# Лабораторная работа №1
## ПИбд-42 Машкова Маргарита (Вариант 19)
## Задание
Cгенерировать определенный тип данных и сравнить  на  нем  3  модели  по  варианту.
Построить графики, отобразить качество моделей, объяснить полученные результаты.

### Данные: 
> make_moons (noise=0.3, random_state=rs)

### Модели:

> - Линейная регрессия
> - Полиномиальная регрессия (со степенью 5)
> - Гребневая полиномиальная регрессия (со степенью 5, alpha= 1.0)

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

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

Изначально генерируются синтетические данные Х и у для проведения экспериментов  при помощи функции `make_moons` с заданными параметрами.
Функция `train_test_split` делит данные так, что тестовая выборка составляет 40% от исходного набора данных. 
Разделение происходит случайным образом (т.е. элементы берутся из исходной выборки не последовательно).
После чего для каждой из заданных по варианту моделей выполняются следующие действия:
1. Создание модели с заданными параметрами.
2. Обучение модели на исходных данных.
3. Предсказание модели на тестовых данных.
4. Оценка качества модели по 3 метрикам:

* **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.

* **Средняя абсолютная ошибка (MAE):** Для вычисления данной метрики используется метод `mean_absolute_error` библиотеки scikit-learn.
* **Средняя квадратичная ошибка (MSE):** Для вычисления данной метрики используется метод `mean_squared_error` библиотеки scikit-learn.

Последние 2 метрики измеряют разницу между предсказанными значениями модели и фактическими значениями. 
Меньшие значения MAE и MSE указывают на лучшую производительность модели.

Вычисленные значения метрик выводятся в консоль.

После чего строятся графики, отображающие работу моделей. На первом графике отображаются ожидаемые результаты предсказания, 
на остальных - предсказания моделей. Чем меньше прозрачных точек - тем лучше отработала модель.

## Тесты

![Вывод в консоли](console.png)

![Графики](plots.png)
 
**Вывод:** исходя из полученных результатов, схожую хорошую производительность имеют 
линейная регрессия и гребневая полиномиальная регрессия. 
Самую низкую производительность имеет полиномиальная регрессия.