Теперь расчёты без библы.
This commit is contained in:
ElEgEv
parent
1ce9ff58ea
commit
5d6a44a23b
@ -1,13 +1,9 @@
|
||||
import os
|
||||
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
import matplotlib
|
||||
import matplotlib.pyplot as plt
|
||||
import sns
|
||||
from sklearn import metrics
|
||||
from sklearn.model_selection import train_test_split
|
||||
from sklearn.linear_model import LinearRegression
|
||||
from sklearn.metrics import r2_score
|
||||
|
||||
|
||||
# INCH = 25.4
|
||||
|
||||
@ -20,183 +16,57 @@ def create_plot_jpg(df: pd.DataFrame, nameFile):
|
||||
os.makedirs(results_dir)
|
||||
|
||||
# набор атрибутов - независимых переменных - площадь
|
||||
_X = df["Store_Area"].array
|
||||
X = df["Store_Area"].array
|
||||
|
||||
# набор меток - зависимых переменных, значение которых требуется предсказать - выручка
|
||||
_Y = df["Store_Sales"].array
|
||||
Y = df["Store_Sales"].array
|
||||
|
||||
n = df.shape[0]
|
||||
|
||||
# делим датафрейм на набор тренировочных данных и данных для тестов, test_size содержит определние соотношения этих наборов
|
||||
X_train, X_test, y_train, y_test = train_test_split(_X, _Y, test_size=0.01, random_state=0)
|
||||
n_test = int(n * 0.01)
|
||||
n_train = n - n_test
|
||||
X_train, Y_train = X[:n_train], Y[:n_train]
|
||||
X_test, Y_test = X[n_train:], Y[n_train:]
|
||||
|
||||
regressor = LinearRegression()
|
||||
sumY_train = sum(Y_train)
|
||||
sumX_train = sum(X_train)
|
||||
|
||||
X_train = X_train.reshape(-1, 1)
|
||||
X_test = X_test.reshape(-1, 1)
|
||||
sumXY_train = sum(X_train * Y_train)
|
||||
sumXX_train = sum(X_train * X_train)
|
||||
|
||||
regressor.fit(X_train, y_train)
|
||||
b1 = (sumXY_train - (sumY_train * sumX_train) / n_train) / (sumXX_train - sumX_train * sumX_train / n_train)
|
||||
b0 = (sumY_train - b1 * sumX_train) / n_train
|
||||
|
||||
# массив numpy, который содержит все предсказанные значения для входных значений в серии X_test
|
||||
y_pred = regressor.predict(X_test)
|
||||
# Построение модели на обучающем наборе
|
||||
plt.scatter(X_train, Y_train, alpha=0.8)
|
||||
plt.axline(xy1=(0, b0), slope=b1, color='r', label=f'$y = {b1:.5f}x {b0:+.5f}$')
|
||||
|
||||
df.plot(x='Store_Sales', y='Store_Area', style='o')
|
||||
|
||||
plt.title('Зависимость продаж от площади магазина')
|
||||
plt.xlabel('Продажи')
|
||||
plt.ylabel('Площадь')
|
||||
# Оценка производительности модели на тестовом наборе
|
||||
Y_pred = b0 + b1 * X_test
|
||||
first_half = sum((Y_pred - Y_test.mean()) ** 2)
|
||||
second_half = sum((Y_test - Y_pred) ** 2) + first_half
|
||||
|
||||
plt.scatter(X_test, Y_test, alpha=0.8, color='g')
|
||||
plt.legend()
|
||||
plt.savefig(results_dir + nameFile + '.jpg')
|
||||
plt.close()
|
||||
|
||||
# MAE – это среднее абсолютное значение ошибок
|
||||
# MSE – это среднее значение квадратов ошибок
|
||||
# RMSE – это квадратный корень из среднего квадрата ошибок
|
||||
|
||||
listMessages = ['Средняя абсолютная ошибка (MAE): ' + str(metrics.mean_absolute_error(y_test, y_pred)),
|
||||
'Среднеквадратичная ошибка (MSE): ' + str(metrics.mean_squared_error(y_test, y_pred)),
|
||||
'Среднеквадратичная ошибка (RMSE): ' + str(np.sqrt(metrics.mean_squared_error(y_test, y_pred)))]
|
||||
r2 = r_squared(Y_test, Y_pred)
|
||||
listMessages = [f"Коэффициент по странной формуле (по википедии): {first_half/second_half}",
|
||||
f"Истинный коэффициент (по википедии): {r2}",
|
||||
f"Подсчёт по библиотеке: {r2_score(Y_test, Y_pred)}"]
|
||||
|
||||
return listMessages
|
||||
|
||||
# def graph_regression_plot_sns(
|
||||
# X, Y,
|
||||
# regression_model,
|
||||
# Xmin=None, Xmax=None,
|
||||
# Ymin=None, Ymax=None,
|
||||
# display_residuals=False,
|
||||
# title_figure=None, title_figure_fontsize=None,
|
||||
# title_axes=None, title_axes_fontsize=None,
|
||||
# x_label=None,
|
||||
# y_label=None,
|
||||
# label_fontsize=None, tick_fontsize=12,
|
||||
# label_legend_regr_model='', label_legend_fontsize=12,
|
||||
# s=50, linewidth_regr_model=2,
|
||||
# graph_size=None,
|
||||
# file_name=None):
|
||||
# X = np.array(X)
|
||||
# Y = np.array(Y)
|
||||
# Ycalc = Y - regression_model(X)
|
||||
#
|
||||
# if not (Xmin) and not (Xmax):
|
||||
# Xmin = min(X) * 0.99
|
||||
# Xmax = max(X) * 1.01
|
||||
# if not (Ymin) and not (Ymax):
|
||||
# Ymin = min(Y) * 0.99
|
||||
# Ymax = max(Y) * 1.01
|
||||
#
|
||||
# # график с остатками
|
||||
# # ------------------
|
||||
# if display_residuals:
|
||||
# if not (graph_size):
|
||||
# graph_size = (297 / INCH, 420 / INCH / 1.5)
|
||||
# if not (title_figure_fontsize):
|
||||
# title_figure_fontsize = 18
|
||||
# if not (title_axes_fontsize):
|
||||
# title_axes_fontsize = 16
|
||||
# if not (label_fontsize):
|
||||
# label_fontsize = 13
|
||||
# if not (label_legend_fontsize):
|
||||
# label_legend_fontsize = 12
|
||||
# fig = plt.figure(figsize=graph_size)
|
||||
# fig.suptitle(title_figure, fontsize=title_figure_fontsize)
|
||||
# ax1 = plt.subplot(2, 1, 1)
|
||||
# ax2 = plt.subplot(2, 1, 2)
|
||||
#
|
||||
# # фактические данные
|
||||
# ax1.set_title(title_axes, fontsize=title_axes_fontsize)
|
||||
# sns.scatterplot(
|
||||
# x=X, y=Y,
|
||||
# label='data',
|
||||
# s=s,
|
||||
# color='red',
|
||||
# ax=ax1)
|
||||
# ax1.set_xlim(Xmin, Xmax)
|
||||
# ax1.set_ylim(Ymin, Ymax)
|
||||
# ax1.axvline(x=0, color='k', linewidth=1)
|
||||
# ax1.axhline(y=0, color='k', linewidth=1)
|
||||
# # ax1.set_xlabel(x_label, fontsize = label_fontsize)
|
||||
# ax1.set_ylabel(y_label, fontsize=label_fontsize)
|
||||
# ax1.tick_params(labelsize=tick_fontsize)
|
||||
#
|
||||
# # график регрессионной модели
|
||||
# nx = 100
|
||||
# hx = (Xmax - Xmin) / (nx - 1)
|
||||
# x1 = np.linspace(Xmin, Xmax, nx)
|
||||
# y1 = regression_model(x1)
|
||||
# sns.lineplot(
|
||||
# x=x1, y=y1,
|
||||
# color='blue',
|
||||
# linewidth=linewidth_regr_model,
|
||||
# legend=True,
|
||||
# label=label_legend_regr_model,
|
||||
# ax=ax1)
|
||||
# ax1.legend(prop={'size': label_legend_fontsize})
|
||||
#
|
||||
# # график остатков
|
||||
# ax2.set_title('Residuals', fontsize=title_axes_fontsize)
|
||||
# ax2.set_xlim(Xmin, Xmax)
|
||||
# # ax2.set_ylim(Ymin, Ymax)
|
||||
# sns.scatterplot(
|
||||
# x=X, y=Ycalc,
|
||||
# # label='фактические данные',
|
||||
# s=s,
|
||||
# color='orange',
|
||||
# ax=ax2)
|
||||
#
|
||||
# ax2.axvline(x=0, color='k', linewidth=1)
|
||||
# ax2.axhline(y=0, color='k', linewidth=1)
|
||||
# ax2.set_xlabel(x_label, fontsize=label_fontsize)
|
||||
# ax2.set_ylabel(r'$ΔY = Y - Y_{calc}$', fontsize=label_fontsize)
|
||||
# ax2.tick_params(labelsize=tick_fontsize)
|
||||
#
|
||||
# # график без остатков
|
||||
# # -------------------
|
||||
# else:
|
||||
# if not (graph_size):
|
||||
# graph_size = (297 / INCH, 210 / INCH)
|
||||
# if not (title_figure_fontsize):
|
||||
# title_figure_fontsize = 18
|
||||
# if not (title_axes_fontsize):
|
||||
# title_axes_fontsize = 16
|
||||
# if not (label_fontsize):
|
||||
# label_fontsize = 14
|
||||
# if not (label_legend_fontsize):
|
||||
# label_legend_fontsize = 12
|
||||
# fig, axes = plt.subplots(figsize=graph_size)
|
||||
# fig.suptitle(title_figure, fontsize=title_figure_fontsize)
|
||||
# axes.set_title(title_axes, fontsize=title_axes_fontsize)
|
||||
#
|
||||
# # фактические данные
|
||||
# sns.scatterplot(
|
||||
# x=X, y=Y,
|
||||
# label='фактические данные',
|
||||
# s=s,
|
||||
# color='red',
|
||||
# ax=axes)
|
||||
#
|
||||
# # график регрессионной модели
|
||||
# nx = 100
|
||||
# hx = (Xmax - Xmin) / (nx - 1)
|
||||
# x1 = np.linspace(Xmin, Xmax, nx)
|
||||
# y1 = regression_model(x1)
|
||||
# sns.lineplot(
|
||||
# x=x1, y=y1,
|
||||
# color='blue',
|
||||
# linewidth=linewidth_regr_model,
|
||||
# legend=True,
|
||||
# label=label_legend_regr_model,
|
||||
# ax=axes)
|
||||
#
|
||||
# axes.set_xlim(Xmin, Xmax)
|
||||
# axes.set_ylim(Ymin, Ymax)
|
||||
# axes.axvline(x=0, color='k', linewidth=1)
|
||||
# axes.axhline(y=0, color='k', linewidth=1)
|
||||
# axes.set_xlabel(x_label, fontsize=label_fontsize)
|
||||
# axes.set_ylabel(y_label, fontsize=label_fontsize)
|
||||
# axes.tick_params(labelsize=tick_fontsize)
|
||||
# axes.legend(prop={'size': label_legend_fontsize})
|
||||
#
|
||||
# plt.show()
|
||||
# if file_name:
|
||||
# fig.savefig(file_name, orientation="portrait", dpi=300)
|
||||
#
|
||||
# return
|
||||
def r_squared(y_true, y_pred):
|
||||
# Вычисляем среднее значение целевой переменной
|
||||
mean_y_true = np.mean(y_true)
|
||||
|
||||
# Вычисляем сумму квадратов отклонений от среднего
|
||||
ss_total = np.sum((y_true - mean_y_true) ** 2)
|
||||
|
||||
# Вычисляем сумму квадратов остатков
|
||||
ss_residual = np.sum((y_true - y_pred) ** 2)
|
||||
|
||||
# Вычисляем коэффициент детерминации
|
||||
return 1 - (ss_residual / ss_total)
|
||||
@ -189,13 +189,6 @@ def get_page_showFindURL():
|
||||
# 5-я лабораторная
|
||||
@app.route('/createPlotImage', methods=['GET', 'POST'])
|
||||
def get_plot_image():
|
||||
|
||||
# 99%
|
||||
# main_df = listShops.loc[listShops['Store_ID'] <= listShops.shape[0]*0.9]
|
||||
|
||||
# 1%
|
||||
# support_df = listShops.loc[listShops['Store_ID'] > listShops.shape[0]*0.9]
|
||||
|
||||
messages = create_plot_jpg(listShops, "myPlot")
|
||||
|
||||
myPlotJpg = ['myPlot.jpg']
|
||||
|
||||
Loading…
Reference in New Issue
Block a user