70 lines
5.4 KiB
Markdown
70 lines
5.4 KiB
Markdown
|
||
# 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.
|
||
|
||
1. **Matplotlib** - это библиотека для создания графиков и визуализации данных. Она используется для отображения данных на графиках.
|
||
|
||
1. **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.
|
||
|