IIS_2023_1/simonov_nikita_lab_1/readme.md

Лабораторная работа №1. Вариант 4.

Задание

Сгенерируйте определенный тип данных и сравните на нем 3 модели (по варианту). Постройте графики, отобразите качество моделей, объясните полученные результаты.

Содержание

• Лабораторная работа №1. Вариант 4.
  • Задание
  • Содержание
  • Введение
  • Зависимости
  • Запуск приложения
  • Описание кода
    • Создание данных
    • Создание моделей
    • Обучение и оценка моделей
    • Веб-приложение
  • Использование
  • Модели
    • Линейная регрессия
    • Полиномиальная регрессия
    • Гребневая полиномиальная регрессия
  • Заключение

Введение

Это Flask-приложение создано для демонстрации работы различных моделей машинного обучения на сгенерированном наборе данных "Лунные данные". Приложение включает в себя веб-страницу, на которой можно посмотреть визуализацию результатов трех моделей (линейная регрессия, полиномиальная регрессия и гребневая полиномиальная регрессия).

Зависимости

Для работы этого приложения необходимы следующие библиотеки Python:

• Flask
• Matplotlib
• scikit-learn
• NumPy
• io

Вы можете установить их с помощью pip:

pip install flask matplotlib scikit-learn numpy

Запуск приложения

Чтобы запустить это Flask-приложение, выполните следующую команду:

python lab1-web.py

Приложение будет доступно по адресу http://localhost:5000 в вашем веб-браузере.

Описание кода

Создание данных

Для создания набора данных используется функция make_moons из scikit-learn. Данные представляют собой два класса, сгруппированных в форме лун, с добавлением шума. Затем данные нормализуются с использованием StandardScaler, и разделяются на обучающий и тестовый наборы данных.

Создание моделей

В коде определены три модели машинного обучения:

1. Линейная регрессия.
2. Полиномиальная регрессия четвертой степени. Она создается с использованием PolynomialFeatures и логистической регрессии.
3. Гребневая полиномиальная регрессия четвертой степени. Она также создается с использованием PolynomialFeatures, но с добавлением регуляризации (гребня) в логистической регрессии.

Обучение и оценка моделей

Модели обучаются на обучающем наборе данных, и их точность оценивается на тестовом наборе данных с использованием метрики accuracy_score, показывающей точность моделей. Результаты оценки сохраняются в словаре model_results, который содержит информацию о точности модели и тестовых данных.

Веб-приложение

Приложение реализовано с использованием Flask:

• маршрут: / - главная страница, на которой отображаются результаты работы моделей.

Использование

1. Запустите приложение, как описано выше.

2. Перейдите по адресу http://localhost:5000 в вашем веб-браузере.

3. На главной странице вы увидите результаты работы всех трех моделей, включая их точность.

Модели

Линейная регрессия

Модель создается следующим образом:

"Линейная регрессия": LogisticRegression()

Результат в виде графика:

Точность полученной модели получилась равной 0.875

Полиномиальная регрессия

Код создания модели:

"Полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression())

Результат в виде графика:

Точность полученной модели получилась равной 0.85

Гребневая полиномиальная регрессия

Код создания модели:

"Гребневая полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression(penalty='l2', C=1.0))

Результат в виде графика:

Точность полученной модели получилась равной 0.85

Заключение

Все полученные модели:

1. "Линейная регрессия" продемонстрировала самую высокую точность среди всех трех моделей (0.875).

• Это означает, что линейная модель достаточно хорошо справляется с задачей классификации данных.
• Это может быть следствием хорошо структурированных данных.

2. "Полиномиальная регрессия" и "Гребневая полиномиальная регрессия" имеют одинаковую точность (0.85).

• Обе эти модели показали одинаково хорошие результаты и считаются весьма точными для данной задачи.
• Это может свидетельствовать о наличии нелинейных зависимостей в данных, которые успешно извлечены благодаря использованию полиномиальных признаков и гребневой регуляризации.
• В данном контексте различие между "Полиномиальной регрессией" и "Гребневой полиномиальной регрессией" может быть незначительным, так как точность одинакова.

3. Модели смогли достичь высокой точности, что может указывать на наличие явных зависимостей между признаками и целевой переменной.