4.4 KiB
Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
Вариант № 18
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: make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
Модели:
- Линейную регрессию
- Персептрон
- Гребневую полиномиальную регрессию (со степенью 3, alpha = 1.0)
Как запустить лабораторную работу:
Чтобы запустить программу, открываем файл lab1 в PyCharm и нажимаем на зеленый треугольник в правом верхнем углу.
Использованные технологии:
Scikit-learn - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
Matplotlib — это комплексная библиотека для создания статических, анимированных и интерактивных визуализаций на Python.
NumPy — это фундаментальный пакет для научных вычислений на Python.
Что делает ЛР:
В данной работе генерируется определенный тип данных (при помощи генератора линейных задач make_classification). На данном типе данных проверяется работа трёх моделей: линейная регрессия, персептрон и гребневая полиномиальная регрессия.
Результатом работы программы являются: вывод показателей качества моделей (в консоли) и 3 изображения с графиками, на которых показаны сами данные, разбитые на два класса (тренировочные и тестовые), а также разбиение по классам по моделям.
Пример выходных данных:
Вывод в консоли:
График линейной регрессии:
График персептрона:
График гребневой полиномиальной регрессии:
Вывод: Для сгенерированного типа данных лучшей моделью оказалась модель персептрона (с точностью 0.795), а худшей модель линейной регрессии (с точностью 0.44). Персептрон может хорошо работать в задачах классификации, если данные хорошо разделимы линейно. Гребневая полиномиальная регрессия показала среднюю точность. Дополнительно в данные был добавлен случайный шум, что тоже могло повлиять на результаты оценки качества моделей.