42 lines
4.1 KiB
Markdown
42 lines
4.1 KiB
Markdown
## Задание
|
||
|
||
Использовать регрессию по варианту для данных из таблицы 1 по варианту(таблица 10),самостоятельно сформулировав задачу. Оценить, насколько хорошо она подходит для решения сформулированной вами задачи
|
||
Вариант 6 - полиномиальная регрессия
|
||
|
||
## Как запустить лабораторную
|
||
Запустить файл main.py
|
||
## Используемые технологии
|
||
Библиотеки pandas, matplotlib, scikit-learn, их компоненты
|
||
## Описание лабораторной (программы)
|
||
Данный код берет данные из датасета о персонажах Dota 2, где описаны атрибуты персонажей, их роли, название, и как часто их пикают и какой у них винрейт на каждом звании в Доте, от реркута до титана.
|
||
|
||
В моем случае была поставлена задача предсказать винрейт персонажа по тому, как часто его берут и по его винрейту на
|
||
смежных рангах (просто предсказать винрейт по тому, как часто его берут, нельзя, потому что винрейт зависит от текущей меты)
|
||
|
||
Программа берет столбцы Name, Archon Picks, Archon Win Rate, Legend Picks, Legend Win Rate, Ancient Picks, Ancient Win Rate.
|
||
Все столбцы, кроме Name и Legend Win Rate, нужны для того чтобы обучить модель. Legend Win Rate -
|
||
данные, которые нужно предсказать. Name - столбец для вывода результатов.
|
||
|
||
Дальше все по дефолту - программа делит данные на обучающую и тестовые выборки, просиходит
|
||
применение данных для обучения, затем обучаем модель. После этого происходит то же самое с тестовыми данными и затем выводится
|
||
оценка качества модели.
|
||
|
||
В конце программа строит график, где показывает точки обучающей и тестовой выборки, но к тестовой выборки я решила добавить названия
|
||
персонажей, чтобы график был более наглядным, но в то же время не перегруженным.
|
||
|
||
## Результат
|
||
|
||
В результате получаем график, который показывает результаты обучающей и тестовой выборок.
|
||
|
||
|
||
Помимо этого, программа вводит оценку качества модели:
|
||
|
||
|
||
Из чего можно сделать вывод, что модель работает очень хорошо и успешно решает поставленную задачу.
|
||
|
||
Это объясняется тем, что модели было предоставлено достаточно большое количество признаков, по которым можно предсказать
|
||
интересующие нас данные. Кроме того, винрейт персонажей взят со смежных рангов.
|
||
|
||
Если взять винрейт персонажей на рангах, которые
|
||
находятся далеко от целевого, модель будет работать хуже, потому что чем больше разница в рангах, тем более разный винрейт у персонажей.
|
||
Также, если бы было взято меньше признаков, оценка качества модели так же была бы ниже. |