4.2 KiB
Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
Задание на лабораторную:
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.
Вариант 20. Данные: make_circles (noise=0.2, factor=0.5, random_state=rs)
Модели:
- Линейную регрессию
- Полиномиальную регрессию (со степенью 5)
- Гребневую полиномиальную регрессию (со степенью 5, alpha= 1.0)
Как запустить лабораторную работу:
Для запуска лабораторной работы необходимо открыть файл lr1.py, нажать на ПКМ и в выпадающем списке выбрать опцию "Run".
Технологии:
NumPy (Numerical Python) - это библиотека для научных вычислений в Python, которая обеспечивает эффективные вычисления и манипуляции с данными.
Matplotlib - это библиотека визуализации данных для языка программирования Python, которая предоставляет широкий спектр инструментов для создания различных типов графиков, диаграмм и визуализаций данных.
Scikit-learn (Sklearn) - это библиотека для языка программирования Python, которая предоставляет инструменты для разработки и применения различных алгоритмов машинного обучения, включая классификацию, регрессию, кластеризацию, снижение размерности и многое другое. Scikit-learn также предлагает функции для предобработки данных, оценки моделей и выбора наилучших параметров.
Что делает лабораторная работа:
В лабораторной работе генерируется набор данных при помощи функции make_circles с параметрами из задания. Далее происходит разделение данных на обучащий и тестовый наборы при помощи функции train_test_split. После создаются 3 модели (линейная, полиномиальная и гребневая полиномиальная), а дальше происходит обучение моделей, предсказание и оценка качества.
Результатом работы являются показатели качества моделей, выведенные в консоль, и 3 графика, отображающие данные, их классификацию и границы решения моделей.
Пример выходных данных:
Качество моделей:
Графики:
Вывод: результаты показали, что для сгенерированного набора данных из 3 моделей наиболее точной оказалась полиномиальная регрессия (со степенью 5), гребневая полиномиальная регрессия (со степенью 5, alpha= 1.0), которая идентична полиномиальной регрессии, стала второй по точности, а линейная регрессия показала самую низкую точность.