62 lines
3.3 KiB
Markdown
62 lines
3.3 KiB
Markdown
# Лабораторная работа №1. Работа с типовыми наборами данных и различными моделями
|
||
## 14 вариант
|
||
___
|
||
|
||
### Задание:
|
||
Используя код из пункта «Регуляризация и сеть прямого распространения», сгенерируйте определенный тип данных и сравните на нем 3 модели (по варианту). Постройте графики, отобразите качество моделей, объясните полученные результаты.
|
||
|
||
### Данные по варианту:
|
||
- make_circles (noise=0.2, factor=0.5, random_state=rs)
|
||
|
||
### Модели по варианту:
|
||
- Линейная регрессия
|
||
- Персептрон
|
||
- Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)
|
||
|
||
___
|
||
|
||
### Запуск
|
||
- Запустить файл lab1.py
|
||
|
||
### Используемые технологии
|
||
- Язык программирования **Python**
|
||
- Среда разработки **PyCharm**
|
||
- Библиотеки:
|
||
* sklearn
|
||
* matplotlib
|
||
|
||
### Описание программы
|
||
Программа генерирует набор данных с помощью функции make_circles()
|
||
с заданными по варианту параметрами. После этого происходит создание и обучение моделй, вывод в консоль
|
||
качества данных моделей по варианту и построение графикиков для этих моделей.
|
||
|
||
Оценка точности происходит при помощи MAE (средняя абсолютная ошибка, измеряет среднюю абсолютную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной) и MSE (средняя квадратическая ошибка, измеряет среднюю квадратичную разницу между прогнозируемыми значениями модели и фактическими значениями целевой переменной). Модель с наименьшими показателями MSE и MAE считается наиболее приспособленной к задаче предсказания.
|
||
|
||
___
|
||
### Пример работы
|
||
|
||
|
||
```text
|
||
===> Линейная регрессия <===
|
||
MAE 0.5039063025033765
|
||
MSE 0.254199973993164
|
||
```
|
||
___
|
||
|
||
|
||
```text
|
||
===> Персептрон <===
|
||
MAE 0.5
|
||
MSE 0.5
|
||
```
|
||
___
|
||
|
||
|
||
```text
|
||
===> Гребневая полиномиальная регрессия <===
|
||
MAE 0.24796914724994906
|
||
MSE 0.07704666136671298
|
||
```
|
||
|
||
### Вывод
|
||
Моделью с наименьшими значениями MAE и MSE оказалась модель гребневой полиномиальной регресссии, следоватьельно ее можно назвать наиболее подходящей для задачи регрессии при данной конфигурации исходных данных. |