48 lines
2.2 KiB
Markdown
48 lines
2.2 KiB
Markdown
## Лабораторная работа №1
|
||
|
||
### Работа с типовыми наборами данных и различными моделями
|
||
|
||
### ПИбд-41 Абанин Даниил
|
||
|
||
### Как запустить лабораторную работу:
|
||
|
||
* установить python, numpy, matplotlib, sklearn
|
||
* запустить проект (стартовая точка класс lab1)
|
||
|
||
### Какие технологии использовались:
|
||
|
||
* Язык программирования `Python`,
|
||
* Библиотеки numpy, matplotlib, sklearn
|
||
* Среда разработки `PyCharm`
|
||
|
||
### Что делает лабораторная работа:
|
||
|
||
* Программа гененерирует данные с make_moonsmake_moons (noise=0.3, random_state=rs)
|
||
* Сравнивает три типа моделей: инейная, полиномиальная, гребневая полиномиальная регрессии
|
||
|
||
### Примеры работы:
|
||
|
||
#### Результаты:
|
||
MAE - средняя абсолютная ошибка, измеряет среднюю абсолютную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной
|
||
MSE - средняя квадратическая ошибка, измеряет среднюю квадратичную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной
|
||
|
||
Чем меньше значения показателей, тем лучше модель справляется с предсказанием
|
||
|
||
Линейная регрессия
|
||
MAE 0.2959889435199454
|
||
MSE 0.13997968555679302
|
||
|
||
Полиномиальная регрессия
|
||
MAE 0.21662135861071705
|
||
MSE 0.08198825629271855
|
||
|
||
Гребневая полиномиальная регрессия
|
||
MAE 0.2102788716636562
|
||
MSE 0.07440133949387796
|
||
|
||
Лучший результат показала модель **Гребневая полиномиальная регрессия**
|
||
|
||
|
||
|
||
|