38 lines
2.5 KiB
Markdown
38 lines
2.5 KiB
Markdown
Вариант 2
|
||
|
||
Задание на лабораторную работу:
|
||
|
||
По данным построить графики 3 моделей:
|
||
|
||
- Линейную регрессию
|
||
- Полиномиальную регрессию (со степенью 3)
|
||
- Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0)
|
||
|
||
Данные: make_circles (noise=0.2, factor=0.5, random_state=rs)
|
||
|
||
Как запустить лабораторную работу:
|
||
|
||
Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_1.py, после чего будут отрисованы 3 графика, которые также можно увидеть в формате png в папке проекта.
|
||
|
||
Библиотеки
|
||
|
||
Matplotlib. Используется для создания графиков.
|
||
|
||
Sklearn. Предоставляет инструменты и алгоритмы, которые упрощают задачи, связанные с машинным обучением.
|
||
|
||
Описание программы:
|
||
|
||
- Генерируем набор данных из 100 точек данных используя функцию make_circles
|
||
- С помощью функции train_test_split разделяем данные на тестовые и обучающие в соотношении 20 к 80
|
||
- Создаем 3 модели:
|
||
- Линейную регрессию
|
||
- Полиномиальную регрессию (со степенью 3)
|
||
- Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0)
|
||
- Модели используем для предсказания классов с помощью метода predict
|
||
- Оцениваем точность каждой модели
|
||
- Строим графики для визуального представления и оценивая работ моделей
|
||
- Сравниваем точности моделей и выбираем наиболее точную
|
||
|
||
|
||
|
||
Изходя из результатов: Линейная - 0.30, Полиномиальная - 0.45, Гребневая полиномиальная - 0.47, делаем вывод, что наиболее точная модель - Гребневая полиномиальная. |