IIS_2023_1/kozlov_alexey_lab_1

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

===> Линейная регрессия <===
MAE 0.5039063025033765
MSE 0.254199973993164

---

===> Персептрон <===
MAE 0.5
MSE 0.5

---

===> 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.