41 lines
2.8 KiB
Markdown
41 lines
2.8 KiB
Markdown
# Лабораторная работа №1. Работа с типовыми наборами данных и различными моделями
|
||
## 6 вариант
|
||
### Задание:
|
||
Используя код из пункта «Регуляризация и сеть прямого
|
||
распространения» из источника (стр. 228), сгенерируйте определенный тип данных и
|
||
сравните на нем 3 модели (по варианту). Постройте графики, отобразите
|
||
качество моделей, объясните полученные результаты.
|
||
|
||
Данные: make_classification (n_samples=500, n_features=2,
|
||
n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
|
||
|
||
Модели:
|
||
* Линейную регрессию
|
||
* Полиномиальную регрессию (со степенью 4)
|
||
* Гребневую полиномиальную регрессию (со степенью 4, alpha = 1.0)
|
||
|
||
### Как запустить лабораторную
|
||
1. Запустить файл main.py
|
||
|
||
### Используемые технологии
|
||
1. Библиотека matplotlib
|
||
2. Библиотека scikit-learn
|
||
3. Python
|
||
4. IDE PyCharm
|
||
|
||
### Описание лабораторной работы
|
||
|
||
Программа генерирует набор данных с помощью функции make_classification в функции main.
|
||
После чего делит данные на тестовую и обучающую выборки. В итоге запускает функции linear_regression, polin_regression_4, gr_polin_regression_4,
|
||
передавая им набор данных как аргументы. В вышеперечисленных функциях происходит обучение моделей на тестовой выборке, после чего предсказываются
|
||
данные на оставшейся выборке. В заключении строятся графики, которые отображают модели, в консоль выводится оценка их работы
|
||
|
||
### Результат
|
||
Программа выводит в консоль следующие данные:
|
||
Линейная регрессия: 0.8857142857142857
|
||
Полиномиальная регрессия: 0.9714285714285714
|
||
Гребневая полиномиальная регрессия: 0.7732479926366043
|
||
Выходит, что наиболее качественная для решения задачи-полиномиальная регрессия, а хуже всего справилась гребневая полиномиальная.
|
||
|
||
Скриншоты работы программы представлены в папке с лабораторной работой.
|