IIS_2023_1/sergeev_evgenii_lab_1
Евгений Сергеев 8942f824d5 lab1 is done
2023-10-16 00:55:14 +04:00
..
.idea lab1 is done 2023-10-16 00:55:14 +04:00
lab1.py lab1 is done 2023-10-16 00:55:14 +04:00
readme.md lab1 is done 2023-10-16 00:55:14 +04:00

Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями

Задание

Сгенерировать определенный тип данных и сравнить на нем 3 модели. Построить графики, отобразить качество моделей, объяснить полученные результаты. Вариант 3 (24) 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 · Полиномиальную регрессию (со степенью 3) · Гребневую полиномиальную регрессию (со степенью 3, alpha= 1.0)

Запуск программы

Файл lab1.py содержит и запускает программу

Описание программы

Генерирует набор данных, показывает окно с графиками и пишет среднюю ошибку моделей обучения Использует библиотеки: matplotlib для демонстрации графиков и sklearn для создания и использования моделей.

Результаты тестирования

Для значения rs=10 результаты такие: y - linear_y - polyn_y - ridge_y 0 - 0.092 - 0.058 - 0.062 0 - 0.023 - -0.132 - -0.125 1 - 1.32 - 0.789 - 0.8 1 - 0.84 - 1.068 - 1.06

Вывод

Из представленных данных можно сделать вывод, что линейная регрессия и гребневая регрессия, в целом, предсказывают значения, близкие к исходным, и хорошо справляются с задачей. Полиномиальная регрессия иногда может давать менее точные прогнозы, особенно когда данные имеют сложную структуру.