IIS_2023_1/romanova_adelina_lab_5
2023-12-11 14:07:16 +04:00
..
1.png romanova_adelina_lab_5 is ready 2023-12-11 14:07:16 +04:00
lab.py romanova_adelina_lab_5 is ready 2023-12-11 14:07:16 +04:00
README.md romanova_adelina_lab_5 is ready 2023-12-11 14:07:16 +04:00

Лабораторная работа №5. Вариант 21

Тема:

Регрессия

Модель:

LinearRegression

Как запустить программу:

Установить python, numpy, matplotlib, sklearn

python lab.py

Какие технологии использовались:

Язык программирования Python, библиотеки numpy, matplotlib, sklearn

Среда разработки VSCode

Что делает лабораторная работа:

Поскольку артериальное давление пациента в состоянии покоя является важным медицинским показателем, оно было выбрано для предсказания на основе доступных признаков, таких как возраст, пол и других.

Внедрение линейной регрессии в решение задачи прогнозирования артериального давления в состоянии покоя приносит несколько ключевых преимуществ.

Линейная регрессия является мощным инструментом в области статистики и машинного обучения, широко применяемым для анализа и моделирования связей между зависимыми и независимыми переменными. Ее основная цель — построить линейную функцию, наилучшим образом приближающую отношение между входными данными и целевой переменной. Это позволяет предсказывать значения целевой переменной на основе новых входных данных.

Описание:

LinearRegression - метод наименьших квадратов (MSE) это основной принцип LinearRegression. Он стремится минимизировать сумму квадратов разностей между фактическими и предсказанными значениями. Этот алгоритм предоставляет аналитическое решение для определения коэффициентов линейной модели, что делает его эффективным и простым для понимания.

Процесс обучения линейной регрессии требует выполнения следующих шагов:

  1.  Получить исходные данные

  2.  Выбрать целевое значение, которые нужно предсказывать

  3.  Обработать данные таким образом, чтобы все признаки имели только числовой формат, и добавить нормализацию, или иначе, стандартизацию данных

  4.  4. Провести обучение выбранной модели на подготовленных данных

Обработка данных происходит с помощью функции str_features_to_numeric:

def str_features_to_numeric(data):
    # Преобразовывает все строковые признаки в числовые.

    # Определение категориальных признаков
    categorical_columns = []
    numerics = ['int8', 'int16', 'int32', 'int64', 'float16', 'float32', 'float64']
    features = data.columns.values.tolist()
    for col in features:
        if data[col].dtype in numerics: continue
        categorical_columns.append(col)

    # Кодирование категориальных признаков
    for col in categorical_columns:
        if col in data.columns:
            le = LabelEncoder()
            le.fit(list(data[col].astype(str).values))
            data[col] = le.transform(list(data[col].astype(str).values))

    return data

Далее происходит нормализация с помощью StandardScaler.

В качестве целевого признака был выбран артериальное давление в состоянии покоя trestbps- артериальное давление в состоянии покоя (в мм рт. ст. при поступлении в больницу). Обработанные данные поступают на вход обучения модели линейной регресии:

  • reg.score_ - отображает точность работы модели
  • reg.coef_ - отображает коэффициенты при признаках расположенных по порядку
  • reg.intercept_ - показывает параметр смещения (в английской литературе bias)

Вывод

На основе полученных результатов, можно сказать, что классическая модель линейной регрессии является более чем подходящей для решения именно этой конкретной задачи