¶ Задание
¶ 1. Изучение примеров
Изучите материалы.
¶ 2. Загрузка и подготовка данных
В соответствии с индивидуальным вариантом загрузите предобработанный датасет в формате CSV для решения задачи регрессии. Выделите целевой признак и предикторы. Разбейте данные на обучающую и тестовую выборки.
¶ 3. Решение задачи регрессии
- Используйте модели из библиотеки Scikit-learn для решения задачи регрессии:
- простая линейная регрессия
- линейная регрессия с L1-регуляризацией
- линейная регрессия с L2-регуляризацией
- линейная регрессия с двумя регуляризаторами
- полиномиальная регрессия.
Для всех моделей регрессии с регуляризацией подберите гиперпараметры тремя способами: GridSearchCV; RandomizedSearchCV; фреймворк Optuna.
Дополнительное задание: самостоятельно (без Scikit-learn) реализуйте линейный регрессор с вариантом регуляризации по вашему выбору; для оптимизации используйте градиентный спуск.
Для студентов Моисеевой Н. А.:
Реализуйте один пайплайн для построения любой модели регрессии (см. пример в файлеLab2_Ex2 PolinomR+Pipeline.ipynb).
3.1. Простая линейная регрессия. Lasso-регрессия (L1-регуляризация). Ridge-регрессия (L2-регуляризация). Elastic Net.
3.2. Множественная линейная регрессия. Lasso-регрессия (L1-регуляризация). Ridge-регрессия (L2-регуляризация). Elastic Net.
3.3. Полиномиальная регрессия.
Для студентов Гуненкова М. Ю. и Шаруна И. В.:
Реализуйте один пайплайн, включающий в себя подготовку полиномиальных признаков и линейную регрессию для них.
¶ 4. Визуализация
Постройте графики для визуализации результатов решения задачи регрессии (например, графики предсказанных значений против истинных значений).
¶ 5. Оценка качества моделей
Вычислите значения метрик оценки качества: R², MAE, MSE, RMSE, MAPE для всех обученных моделей регрессии.
¶ 6. Реализация пользовательских функций
Самостоятельно реализуйте вычисление всех используемых метрик оценки качества модели регрессии. Сравните вычисленные значения метрик (функции Scikit-learn и ваша реализация).
Для вашего регрессора не забудьте также вычислить значения метрик
¶ 7. Создание таблицы результатов (Для студентов Моисеевой Н. А.)
Создайте две таблицы (объект DataFrame) и выведите в них наименования используемых регрессоров и значения вычисленных метрик оценки качества как с использованием библиотеки Scikit-learn, так и пользовательских функций (Образец 1 и Образец 2). Убедитесь, что при выводе значений предусмотрено необходимое количество знаков после запятой (см. Образец 1 и Образец 2).
¶ 8. Вывод
Напишите вывод о выполненной Лабораторной работе, в котором выберите лучшую модель регрессии и обоснуйте свое решение.
¶ Длительность выполнения
2 пары, считая пару выдачи