IIS_2023_1/mashkova_margarita_lab_1/README.md

Лабораторная работа №1

ПИбд-42 Машкова Маргарита (Вариант 19)

Задание

Cгенерировать определенный тип данных и сравнить на нем 3 модели по варианту. Построить графики, отобразить качество моделей, объяснить полученные результаты.

Данные:

make_moons (noise=0.3, random_state=rs)

Модели:

• Линейная регрессия
• Полиномиальная регрессия (со степенью 5)
• Гребневая полиномиальная регрессия (со степенью 5, alpha= 1.0)

Запуск программы

Для запуска программы необходимо запустить файл main.py

Используемые технологии

Язык программирования: python

Библиотеки:

• matplotlib - пакет для визуализации данных.
• sklearn - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.

Описание работы программы

Изначально генерируются синтетические данные Х и у для проведения экспериментов при помощи функции make_moons с заданными параметрами. Функция train_test_split делит данные так, что тестовая выборка составляет 40% от исходного набора данных. Разделение происходит случайным образом (т.е. элементы берутся из исходной выборки не последовательно). После чего для каждой из заданных по варианту моделей выполняются следующие действия:

1. Создание модели с заданными параметрами.
2. Обучение модели на исходных данных.
3. Предсказание модели на тестовых данных.
4. Оценка качества модели по 3 метрикам:

• Коэффициент детерминации: метрика, которая измеряет, насколько хорошо модель соответствует данным. Принимает значения от 0 до 1, где 1 означает идеальное соответствие модели данным, а значения ближе к 0 указывают на то, что модель плохо объясняет вариацию в данных. Для вычисления коэффициента детерминации модели используется метод score библиотеки scikit-learn.

• Средняя абсолютная ошибка (MAE): Для вычисления данной метрики используется метод mean_absolute_error библиотеки scikit-learn.

• Средняя квадратичная ошибка (MSE): Для вычисления данной метрики используется метод mean_squared_error библиотеки scikit-learn.

Последние 2 метрики измеряют разницу между предсказанными значениями модели и фактическими значениями. Меньшие значения MAE и MSE указывают на лучшую производительность модели.

Вычисленные значения метрик выводятся в консоль.

После чего строятся графики, отображающие работу моделей. На первом графике отображаются ожидаемые результаты предсказания, на остальных - предсказания моделей. Чем меньше прозрачных точек - тем лучше отработала модель.

Тесты

Вывод: исходя из полученных результатов, схожую хорошую производительность имеют линейная регрессия и гребневая полиномиальная регрессия. Самую низкую производительность имеет полиномиальная регрессия.