IIS_2023_1/verina_daria_lab_5

Лабораторная работа №5

Регрессия

Задание

Использовать регрессию по варианту для данных из таблицы 1 по варианту(таблица 10),самостоятельно сформулировав задачу. Оценить, насколько хорошо онаподходит для решения сформулированной вами задачи.

Как запустить лабораторную работу:

• установить python, numpy, matplotlib, sklearn
• запустить проект при помощи IDE pyCharm

Какие технологии использовались:

• Язык программирования Python, библиотеки matplotlib, sklearn, pandas
• Среда разработки PyCharm

Что делает лабораторная работа:

Программа реализует модель логистической регрессии для предсказания пола (мужской/женский) на основе уровня активности, веса и роста. Она обучается на тренировочных данных, затем делает предсказания на тестовом наборе, вычисляет метрики оценки модели (точность, матрицу ошибок, отчет о классификации) и визуализирует результаты на диаграмме рассеяния.

Результаты:

Accuracy (Точность): 80% - доля правильных предсказаний;

Confusion Matrix (Матрица ошибок): True Positive (TP): 10 - правильно предсказанные Female; True Negative (TN): 6 - правильно предсказанные Male; False Positive (FP): 3 - ошибочно предсказанные Female (вместо Male); False Negative (FN): 1 - ошибочно предсказанные Male (вместо Female); Classification Report (Отчет о классификации):

• Precision (Точность) для Female: 91% - доля правильно предсказанных Female относительно всех предсказанных Female;
• Recall (Полнота) для Female: 77% - доля правильно предсказанных Female относительно всех реальных Female;
• F1-score для Female: 83% - среднее гармоническое между точностью и полнотой для Female;
• Поддержка (support) для Female: 13 - количество образцов Female в тестовом наборе;
• Аналогичные метрики для Male также представлены.

Вывод:

Модель логистической регрессии, обученная на данных об уровне активности, весе и росте, достигла точности 80%. Она успешно предсказывает пол (Female/Male) с высокой точностью и полнотой, как указано в матрице ошибок и отчете о классификации.