IIS_2023_1/martysheva_tamara_lab_1

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.