60 lines
4.7 KiB
Markdown
60 lines
4.7 KiB
Markdown
# Лабораторная работа №1
|
||
## ПИбд-42 Машкова Маргарита (Вариант 19)
|
||
## Задание
|
||
Cгенерировать определенный тип данных и сравнить на нем 3 модели по варианту.
|
||
Построить графики, отобразить качество моделей, объяснить полученные результаты.
|
||
|
||
### Данные:
|
||
> make_moons (noise=0.3, random_state=rs)
|
||
|
||
### Модели:
|
||
|
||
> - Линейная регрессия
|
||
> - Полиномиальная регрессия (со степенью 5)
|
||
> - Гребневая полиномиальная регрессия (со степенью 5, alpha= 1.0)
|
||
|
||
## Запуск программы
|
||
Для запуска программы необходимо запустить файл main.py
|
||
|
||
## Используемые технологии
|
||
> **Язык программирования:** python
|
||
>
|
||
> **Библиотеки:**
|
||
> - `matplotlib` - пакет для визуализации данных.
|
||
> - `sklearn` - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.
|
||
## Описание работы программы
|
||
|
||
Изначально генерируются синтетические данные Х и у для проведения экспериментов при помощи функции `make_moons` с заданными параметрами.
|
||
Функция `train_test_split` делит данные так, что тестовая выборка составляет 40% от исходного набора данных.
|
||
Разделение происходит случайным образом (т.е. элементы берутся из исходной выборки не последовательно).
|
||
После чего для каждой из заданных по варианту моделей выполняются следующие действия:
|
||
1. Создание модели с заданными параметрами.
|
||
2. Обучение модели на исходных данных.
|
||
3. Предсказание модели на тестовых данных.
|
||
4. Оценка качества модели по 3 метрикам:
|
||
|
||
* **Коэффициент детерминации**: метрика, которая измеряет, насколько хорошо модель соответствует данным.
|
||
Принимает значения от 0 до 1, где 1 означает идеальное соответствие модели данным, а значения ближе к 0 указывают на то,
|
||
что модель плохо объясняет вариацию в данных. Для вычисления коэффициента детерминации модели используется метод `score` библиотеки scikit-learn.
|
||
|
||
* **Средняя абсолютная ошибка (MAE):** Для вычисления данной метрики используется метод `mean_absolute_error` библиотеки scikit-learn.
|
||
* **Средняя квадратичная ошибка (MSE):** Для вычисления данной метрики используется метод `mean_squared_error` библиотеки scikit-learn.
|
||
|
||
Последние 2 метрики измеряют разницу между предсказанными значениями модели и фактическими значениями.
|
||
Меньшие значения MAE и MSE указывают на лучшую производительность модели.
|
||
|
||
Вычисленные значения метрик выводятся в консоль.
|
||
|
||
После чего строятся графики, отображающие работу моделей. На первом графике отображаются ожидаемые результаты предсказания,
|
||
на остальных - предсказания моделей. Чем меньше прозрачных точек - тем лучше отработала модель.
|
||
|
||
## Тесты
|
||
|
||
|
||
|
||
|
||
|
||
**Вывод:** исходя из полученных результатов, схожую хорошую производительность имеют
|
||
линейная регрессия и гребневая полиномиальная регрессия.
|
||
Самую низкую производительность имеет полиномиальная регрессия.
|