37 lines
3.8 KiB
Markdown
37 lines
3.8 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 16 - полиномиальная регрессия
|
||
|
||
**Как запустить лабораторную**
|
||
***
|
||
Запустить файл main.py
|
||
|
||
**Используемые технологии**
|
||
***
|
||
Библиотеки pandas, matplotlib, scikit-learn, их компоненты
|
||
|
||
**Описание лабораторной (программы)**
|
||
***
|
||
Программа загружает данные о наблюдениях НЛО из CSV файла. Затем она разделяет данные на признаки (latitude и longitude) и целевую переменную (length_of_encounter_seconds). Далее происходит преобразование столбца date_time в числовой формат с помощью pd.to_datetime. После этого данные разделяются на обучающую и тестовую выборки с использованием train_test_split.
|
||
|
||
Далее программа создает полиномиальные признаки второй степени с помощью PolynomialFeatures. Затем модель полиномиальной регрессии обучается на обучающих данных с помощью LinearRegression. После обучения модель оценивается на обучающей и тестовой выборках, вычисляя значения предсказаний и используя метрики MSE (среднеквадратичная ошибка) и R^2 (коэффициент детерминации).
|
||
|
||
В конце программы выводятся значения MSE и R^2 для обучающей и тестовой выборок.
|
||
**Результат**
|
||
***
|
||
Train MSE: 10388560458125.451
|
||
|
||
Test MSE: 340591245157.4829
|
||
|
||
Train R^2: 0.024274600175043015
|
||
|
||
Test R^2: 0.13630563714232358
|
||
|
||
На основе представленных значений можно сделать следующие выводы:
|
||
|
||
1. Значение MSE (среднеквадратичная ошибка) для обучающей выборки составляет 10,388,560,458,125.451, а для тестовой выборки - 340,591,245,157.4829. Значения MSE высокие, что может указывать на низкую точность модели.
|
||
|
||
2. Значение R^2 (коэффициент детерминации) для обучающей выборки равно 0.024274600175043015, а для тестовой выборки - 0.13630563714232358. Значения R^2 близки к нулю, что означает, что модель не очень хорошо объясняет вариацию целевой переменной.
|
||
|
||
Таким образом, полученные результаты говорят о том, что модель полиномиальной регрессии, построенная на основе данных о наблюдениях НЛО, не является очень точной и не обладает высокой предсказательной способностью. Из чего можно сделать вывод, что мои предположения насчет предсказывания времени наблюдения, на основе данных долготы и широты, не оправданы. |