IIS_2023_1/romanova_adelina_lab_1/README.md

Лабораторная №1. Вариант №21

Тема:

Работа с типовыми наборами данных и различными моделями

Задание:

Сгенерировать определённый тип данных, сравнить на нём разные модели и отобразить качество на графиках.

Данные: make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)

Модели:

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

Как запустить программу?

Необходимо запустить файл main.py

Использованные технологии

Этот код использует несколько библиотек и технологий для создания синтетических данных, обучения различных моделей регрессии и визуализации результатов. Вот краткое описание использованных технологий:

1. NumPy - это библиотека для работы с массивами и матрицами чисел. Она используется для создания и манипуляции данными.

2. Matplotlib - это библиотека для создания графиков и визуализации данных. Она используется для отображения данных на графиках.

3. Scikit-learn - это библиотека машинного обучения, которая предоставляет множество инструментов для обучения моделей и анализа данных. В этом коде используются следующие модули из этой библиотеки:

• make_classification - используется для генерации синтетических данных классификации.
• train_test_split - используется для разделения данных на обучающий и тестовый наборы.
• linearRegression - используется для создания и обучения линейной регрессии.
• polynomialFeatures - используется для создания полиномиальных признаков.
• ridge - используется для создания и обучения гребневой полиномиальной регрессии.
• r2_score - используется для вычисления коэффициента детерминации модели.

Описание работы

Сначала программа использует функцию make_classification для создания синтетических данных. Эти данные представляют собой два признака и являются результатом задачи классификации. Всего создается 500 точек данных.

Сгенерированные данные разделяются на обучающий и тестовый наборы с использованием функции train_test_split. Обучающий набор содержит 80% данных, а тестовый набор - 20%.

Далее прооисходит обучение моделей. Для каждой строятся графики, на которых отображаются тестовые данные и предсказанные значения для оценки, насколько хорошо модель соответствует данным.

Для каждой модели программа вычисляет коэффициент детерминации с использованием функции r2_score.

Программа создает, обучает и визуализирует три модели регрессии и позволяет оценить их производительность на сгенерированных данных.

Выходные данные

Была выведена следующая точность у моделей:

Линейная регрессия с точностью 0.52 
Полиномиальная регрессия с точностью -0.20 
Гребневая полиномиальная регрессия с точностью -0.09

Графики результатов построены следующим образом:

• Линейная регрессия

• Полиномиальная регрессия

• Гребневая полиномиальная регрессия

Линейная регрессия показала наилучшую точность с точностью, равной 0.52, что указывает на приемлемую предсказательную способность модели. Полиномиальная и гребневая полиномиальная регрессии со значениями -0.20 и -0.09 соответственно, демонстрируют низкую точность.