# IIS_2023_1
### Задание
Использовать  регрессию по  вариантудля  данных  из  таблицы  1  по варианту(таблица  10),самостоятельно  сформулировав  задачу.  Оценить, насколько хорошо онаподходит для решения сформулированной вамизадачи.

4. Гребневая регрессия.

### Способ запуска лабораторной работы
Выполнить скрипт `shadaev_anton_lab_5/main.py`, после которого построится график.

### Стек технологий
* `Python`: v. 3.11
* `Pandas` - библиотека, которая позволяет работать с двумерными и многомерными таблицами, строить сводные таблицы, выделять колонки, использовать фильтры по параметрам, выполнять группировку по параметрам, запускать функции (сложение, нахождение медианы, среднего, минимального, максимального значений), объединять таблицы и многое другое
* `Sklearn` - предоставляет ряд инструментов для моделирования данных, включая классификацию, регрессию, кластеризацию и уменьшение размерности.
* `Matplotlib` - это библиотека для визуализации данных в Python, предоставляющая инструменты для создания статических, анимированных и интерактивных графиков и диаграмм.

### Описание кода
1. Импортирование необходимых библиотек.
2. Выделение необходимых признаков.
3. Разделение данных на обучающие и тестовые.
4. Обучение и прогнозирование модели, применение алгоритма гребневой регрессии.
5. Вычисление метрик (среднеквадратичная ошибка и коэффициент детерминации).
6. Визуализация данных.

График:

![myplot.png](myplot.png)

### Вывод
* Среднеквадратичная ошибка = 0.179 (низкий), что говорит нам о том, что тестовые и предсказанные значения получились довольно точными.
* Коэффициент детерминации = 0.01, что означает, что только 1% дисперсии зависимой переменной может быть объяснено моделью. Это очень низкое значение, что указывает на то, что модель не очень хорошо объясняет данные.

Таким образом, гребневая регрессия не может быть применена к нашей задаче.