IIS_2023_1/shadaev_anton_lab_5

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:

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.