33 lines
2.6 KiB
Markdown
33 lines
2.6 KiB
Markdown
Лабораторная работа №5
|
||
|
||
Вариант №4
|
||
|
||
Задание на лабораторную:
|
||
|
||
Использовать регрессию по варианту для данных из курсовой работы. Самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной задачи.
|
||
|
||
Как запустить лабораторную работу:
|
||
|
||
Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_5.py
|
||
|
||
Библиотеки:
|
||
|
||
- NumPy - библиотека для работы с многомерными массивами.
|
||
- Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
|
||
- Mathplotlib - библиотека для визуализации данных двумерной и трехмерной графикой.
|
||
|
||
Задача:
|
||
|
||
Было решено с помощью гребневой регрессии попытаться предсказать количество несчастных случаев(inj), от таких признаков как: магнитуда(mag) и фатальные исходы(fat)
|
||
|
||
Описание программы:
|
||
|
||
- Загружаем данные из csv файла
|
||
- Разделяем данные на обучающее и тестовые
|
||
- Переводим значения из столбца inj в диапозон от 0 до 1
|
||
- Обучаем модель, находим R^2 (среднеквадратическая ошибка) и коэффициент детерминации
|
||
- Рисуем график
|
||
- 
|
||
- Анализируем график и делаем выводы, что Средняя квадратическая ошибка очень маленькая, что говорит нам что мы хорошо подобрали данные, и модель достаточно точно предсказывает, но имеем не очень большой коэффициент детерминации, который говорит нам о том, что модель не очень хорошо понимает зависимости наших данных.
|
||
- Можно сделать вывод, что гребневую регрессию на таких данных использовать можно, но стоит поискать модели получше.
|