Почти доделанный отчёт

ИАД/lr1/python-files переделаные/task1_Fisher.py

@@ -0,0 +1,65 @@
+import numpy as np
+from sklearn.datasets import load_iris
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sb
+import pingouin as pg
+from scipy import stats
+
+# Датасет Ирисы Фишера
+iris = load_iris()
+#iris_pd=pd.DataFrame(data=np.c_[iris['data'], iris['target']], columns=iris['feature_names'] + ['target'])
+iris_pd=pd.DataFrame(data=np.c_[iris['data']], columns=iris['feature_names'])
+
+# Формирование выборок по признакам
+x1 = np.array(iris_pd['sepal length (cm)']) # первый признак - длина чашелистика
+x2 = np.array(iris_pd['sepal width (cm)']) # второй признак - ширина чашелистика
+x3 = np.array(iris_pd['petal length (cm)']) # третий признак - длина лепестка
+x4 = np.array(iris_pd['petal width (cm)']) # четвертый признак - ширина лепестка
+
+# Проверка на нормальность по критерию К-С
+print('Тест Колмогорова-Смирнова. Уровень значимости a = 0.05')
+
+for col in iris['feature_names']:
+    x = iris_pd[col]
+    x_mean, std = np.mean(x), np.std(x, ddof = 1)
+    x_std = (x - x_mean)/std
+    pvalue = stats.kstest(x_std, "norm", alternative='less').pvalue
+    if pvalue > 0.05: result = 'H0 не должна быть отвергнута'
+    else: result = 'H0 должна быть отвергнута'
+    print('Для {}: p-value: {}, так что {}'.format(col, pvalue, result))
+
+# Построение диаграммы Тьюки
+fig1, axes = plt.subplots(1, 3, figsize=(20, 4))  
+axes[0].boxplot([x1,x2,x3,x4], tick_labels = ['Sepal Length', 'Sepal Width', 'Petal Length', 'Petal Width'])
+axes[0].set_title('Диаграмма Тьюки')
+
+
+# Построение тепловой карты парных коэффициентов корреляции
+corrMatrix = iris_pd.corr()
+axes[1].set_title('Тепловая карта парных коэфф. корреляции')
+sb.heatmap(corrMatrix, annot=True, linewidths=0.5, xticklabels = False, yticklabels = False, ax = axes[1])
+
+
+# Построение тепловой карты частных коэффициентов корреляции
+pCorrMatrix = iris_pd.pcorr()
+axes[2].set_title('Тепловая карта частных коэфф. корреляции')
+sb.heatmap(pCorrMatrix, annot=True, linewidths=0.5, xticklabels = False, yticklabels = False, ax = axes[2])
+
+
+# Построение гистограмм по выборкам
+fig2, axes = plt.subplots(2, 2, figsize=(10, 7))
+
+axes[0,0].hist(x1)
+axes[0,0].set_title('Гисотграмма по значениям X1')
+
+axes[0,1].hist(x2)
+axes[0,1].set_title('Гисотграмма по значениям X2')
+
+axes[1,0].hist(x3)
+axes[1,0].set_title('Гисотграмма по значениям X3')
+
+axes[1,1].hist(x4)
+axes[1,1].set_title('Гисотграмма по значениям X4')
+
+plt.show()

ИАД/lr1/python-files переделаные/task1_HW.py

@@ -0,0 +1,107 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sb
+import pingouin as pg
+from scipy import stats
+
+# Датасет "Рост-Вес-Возраст-Позиция"
+columns = ['Position', 'Height(inches)', 'Weight(pounds)', 'Age']
+
+df = pd.read_csv('SOCR_Data_MLB_HeightsWeights.txt', sep='\t', nrows=115, usecols=columns)
+
+# Построение диаграммы Тьюки только для числовых признаков
+fig1, axes = plt.subplots(2, 2, figsize=(10, 10))
+fig1.suptitle('Диаграммы Тьюки по признакам')
+
+# Используем только числовые столбцы для boxplot
+numeric_columns = ['Height(inches)', 'Weight(pounds)', 'Age']
+
+# Первый subplot оставляем пустым или убираем
+axes[0,0].remove()  # убираем первый subplot
+axes[0,1].boxplot(df['Height(inches)'])
+axes[0,1].set_xticklabels(['Height(inches)'])
+axes[0,1].set_title('Рост (дюймы)')
+
+axes[1,0].boxplot(df['Weight(pounds)'])
+axes[1,0].set_xticklabels(['Weight(pounds)'])
+axes[1,0].set_title('Вес (фунты)')
+
+axes[1,1].boxplot(df['Age'])
+axes[1,1].set_xticklabels(['Age'])
+axes[1,1].set_title('Возраст')
+
+# Альтернативный вариант: построить boxplot для Position как категориального признака
+fig1_pos, ax_pos = plt.subplots(figsize=(8, 6))
+position_counts = df['Position'].value_counts()
+ax_pos.bar(position_counts.index, position_counts.values)
+ax_pos.set_title('Распределение по позициям')
+ax_pos.set_xlabel('Позиция')
+ax_pos.set_ylabel('Количество')
+plt.xticks(rotation=45)
+
+fig2, axes = plt.subplots(1, 2, figsize=(12, 5))
+fig2.suptitle('Тепловые карты')
+
+# Для корреляции преобразуем Position в числовой формат
+df_numeric = df.copy()
+# Создаем числовое представление позиций для корреляции
+position_mapping = {pos: i for i, pos in enumerate(df['Position'].unique())}
+df_numeric['Position_num'] = df['Position'].map(position_mapping)
+
+# Построение тепловой карты парных коэффициентов корреляции
+corrMatrix = df_numeric[['Position_num', 'Height(inches)', 'Weight(pounds)', 'Age']].corr()
+axes[0].set_title('Тепловая карта парных коэфф. корреляции')
+sb.heatmap(corrMatrix, annot=True, linewidths=0.5, ax=axes[0])
+
+
+# Построение тепловой карты частных коэффициентов корреляции
+try:
+    pCorrMatrix = df_numeric[['Position_num', 'Height(inches)', 'Weight(pounds)', 'Age']].pcorr()
+    axes[1].set_title('Тепловая карта частных коэфф. корреляции')
+    sb.heatmap(pCorrMatrix, annot=True, linewidths=0.5, ax=axes[1])
+except:
+    axes[1].set_title('Частная корреляция недоступна')
+    print("Метод pcorr() недоступен")
+
+
+print('Тест Колмогорова-Смирнова. Уровень значимости a = 0.05')
+
+# Тест только для числовых признаков
+for col in numeric_columns:
+    x = df[col]
+    x_mean, std = np.mean(x), np.std(x, ddof=1)
+    x_std = (x - x_mean)/std
+    pvalue = stats.kstest(x_std, "norm", alternative='two-sided').pvalue
+    if pvalue > 0.05:
+        result = 'H0 не должна быть отвергнута'
+    else:
+        result = 'H0 должна быть отвергнута'
+    print('Для {}: p-value: {:.4f}, так что {}'.format(col, pvalue, result))
+
+# Построение гистограмм
+fig3, axes = plt.subplots(2, 2, figsize=(10, 7))
+
+# Гистограмма для Position (как категориальный признак)
+position_counts = df['Position'].value_counts()
+axes[0,0].bar(position_counts.index, position_counts.values)
+axes[0,0].set_title('Распределение по позициям')
+axes[0,0].tick_params(axis='x', rotation=45)
+
+axes[0,1].hist(df['Height(inches)'], bins=15, alpha=0.7, edgecolor='black')
+axes[0,1].set_title('Гистограмма роста')
+
+axes[1,0].hist(df['Weight(pounds)'], bins=15, alpha=0.7, edgecolor='black')
+axes[1,0].set_title('Гистограмма веса')
+
+axes[1,1].hist(df['Age'], bins=15, alpha=0.7, edgecolor='black')
+axes[1,1].set_title('Гистограмма возраста')
+
+plt.tight_layout()
+plt.show()
+
+# Дополнительная информация о данных
+print("\nИнформация о данных:")
+print(df.info())
+print("\nПервые 5 строк:")
+print(df.head())

ИАД/lr1/python-files переделаные/task2_Fisher.py

@@ -0,0 +1,102 @@
+import numpy as np
+from sklearn.datasets import load_iris
+from sklearn.linear_model import LinearRegression
+from sklearn.metrics import r2_score
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sb
+import pingouin as pg
+from scipy import stats
+
+# Датасет Ирисы Фишера
+iris = load_iris()
+iris_pd=pd.DataFrame(data=np.c_[iris['data'], iris['target']], columns=iris['feature_names'] + ['target'])
+
+# Формирование выборок по признакам
+x1 = np.array(iris_pd['sepal length (cm)']) # первый признак - длина чашелистика
+x2 = np.array(iris_pd['sepal width (cm)']) # второй признак - ширина чашелистика
+x3 = np.array(iris_pd['petal length (cm)']) # третий признак - длина лепестка
+x4 = np.array(iris_pd['petal width (cm)']) # четвертый признак - ширина лепестка
+
+# Пусть X4 - выходные переменные, а X3 - входные переменные, так как они коррелируют сильнее остальных комбинаций
+fig, axes = plt.subplots(2, 2, figsize=(10, 10)) 
+
+axes[0,0].scatter(x3, x4)
+axes[0,0].set_title('Зависимость X4 от X3')
+
+axes[0,1].scatter(x3, x4)
+axes[0,1].set_title('Предсказанные значения')
+
+
+
+# Парная регрессия
+N = 150
+K = 2
+lr = LinearRegression().fit(x3.reshape(-1,1), x4)
+
+#line_x3 = np.linspace(min(x3), max(x3),150)
+line_y1 = lr.predict(x3.reshape(-1,1))
+axes[0,0].plot(x3, line_y1, color='red', linewidth=2)
+
+line_x3_pred = np.linspace(min(x3), 2*max(x3), 150)
+line_y1_pred = lr.predict(line_x3_pred.reshape(-1,1))
+axes[0,1].plot(line_x3_pred, line_y1_pred, color='red', linewidth=2)
+
+meanY = np.mean(x4)
+Qreg = np.sum((line_y1 - meanY)**2)
+Qtotal = np.sum((x4 - meanY)**2)
+Qint = np.sum((x4 - line_y1)**2)
+Sreg = (1/(K-1))*Qreg
+Stotal = (1/(N-1))*Qtotal
+Sint = (1/(N-K))*Qint
+
+print(np.dot(x4 - line_y1, line_y1))
+
+print('Парная регрессия. Коэффициент детерминации: ', r2_score(x4,line_y1))
+print('Скорр. коэффициент детерминации: ', 1 - (1 - r2_score(x4,line_y1)*(149/147)))
+print('Множ. коэффициент корреляции: ', np.sqrt(r2_score(x4,line_y1)))
+print('Стандартная ошибка регрессии: ', np.sqrt(Qint/147))
+
+# Множественная регрессия
+N = 150
+K = 4
+X = np.vstack((x1, x2, x3)).T
+mr = LinearRegression().fit(X, x4)
+
+line_x1 = np.linspace(min(x1), max(x1), 150)
+line_x2 = np.linspace(min(x2), max(x2), 150)
+line_x3 = np.linspace(min(x3), max(x3), 150)
+
+line_y2 = mr.coef_[0] * line_x1 + mr.coef_[1] * line_x2 + mr.coef_[2] * line_x3 + mr.intercept_
+axes[0,0].plot(line_x3, line_y2, color='green', linewidth=2)
+
+line_x1_pred = np.linspace(min(x1), 2*max(x1), 150)
+line_x2_pred = np.linspace(min(x2), 2*max(x2), 150)
+line_x3_pred = np.linspace(min(x3), 2*max(x3), 150)
+line_y2_pred = mr.coef_[0] * line_x1_pred + mr.coef_[1] * line_x2_pred + mr.coef_[2] * line_x3_pred + mr.intercept_
+axes[0,1].plot(line_x3_pred, line_y2_pred, color='green', linewidth=2)
+
+Qreg = np.sum((line_y2 - meanY)**2)
+Qint = np.sum((x4 - line_y2)**2)
+Sreg = (1/(K-1))*Qreg
+Stotal = (1/(N-1))*Qtotal
+Sint = (1/(N-K))*Qint
+
+print('Множ. регресиия. Коэффициент детерминации: ', r2_score(x4,line_y2))
+print('Скорр. коэффициент детерминации: ', 1 - (1 - r2_score(x4,line_y2)*(149/147)))
+print('Множ. коэффициент корреляции: ', np.sqrt(r2_score(x4,line_y2)))
+print('Стандартная ошибка регрессии: ', np.sqrt(Qint/147))
+
+# График остатков
+residuals1 = x4 - line_y1
+residuals2 = x4 - line_y2
+
+axes[1,0].scatter([i for i in range(1,151)], residuals1)
+axes[1,0].set_title('Парная регрессия. График остатков')
+
+axes[1,1].scatter([i for i in range(1,151)], residuals2)
+axes[1,1].set_title('Множ. регрессия. График остатков')
+
+
+plt.show()
+

ИАД/lr1/python-files переделаные/task2_HW.py

@@ -0,0 +1,118 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from sklearn.linear_model import LinearRegression
+from sklearn.metrics import r2_score
+from scipy import stats
+
+# === ЗАГРУЗКА ДАННЫХ ===
+columns = ['Position', 'Height(inches)', 'Weight(pounds)', 'Age']
+df = pd.read_csv('SOCR_Data_MLB_HeightsWeights.txt', sep='\t', nrows=115, usecols=columns)
+
+# === ПАРНАЯ РЕГРЕССИЯ ===
+# Выходная переменная — вес, входная — рост
+X_single = df['Height(inches)'].values.reshape(-1, 1)
+y = df['Weight(pounds)'].values
+
+lr = LinearRegression().fit(X_single, y)
+y_pred_single = lr.predict(X_single)
+res_single = y - y_pred_single
+
+# Визуализация
+fig1, axes = plt.subplots(1, 3, figsize=(15, 5))
+fig1.suptitle('Парная регрессия')
+
+# 1. Линия регрессии
+axes[0].scatter(df['Height(inches)'], df['Weight(pounds)'], color='blue', alpha=0.6)
+axes[0].plot(df['Height(inches)'], y_pred_single, color='red', linewidth=2)
+axes[0].set_xlabel('Height (inches)')
+axes[0].set_ylabel('Weight (pounds)')
+axes[0].set_title('Линейная зависимость')
+
+# 2. Остатки
+axes[1].scatter(y_pred_single, res_single, color='green', alpha=0.6)
+axes[1].axhline(y=0, color='red', linestyle='--')
+axes[1].set_xlabel('Предсказанные значения')
+axes[1].set_ylabel('Остатки')
+axes[1].set_title('Анализ остатков')
+
+# 3. Гистограмма остатков
+axes[2].hist(res_single, bins=15, color='gray', edgecolor='black')
+axes[2].set_xlabel('Остатки')
+axes[2].set_ylabel('Количество точек')
+axes[2].set_title('Распределение остатков')
+
+# Метрики
+Qreg = np.sum((y_pred_single - y.mean()) ** 2)
+Qres = np.sum((y - y_pred_single) ** 2)
+Qtotal = np.sum((y - y.mean()) ** 2)
+
+R2 = r2_score(y, y_pred_single)
+AdjR2 = 1 - (1 - R2) * (115 - 1) / (115 - 1 - 1)
+R = np.sqrt(R2)
+StdErr = np.sqrt(Qres / (115 - 2))
+
+print('\n=== Парная регрессия ===')
+print('Коэффициент детерминации R²:', round(R2, 4))
+print('Скорректированный R²:', round(AdjR2, 4))
+print('Множественный коэффициент корреляции R:', round(R, 4))
+print('Стандартная ошибка регрессии:', round(StdErr, 4))
+print('Коэффициенты модели (b0 + b1*x):', lr.intercept_, lr.coef_)
+
+# === МНОЖЕСТВЕННАЯ РЕГРЕССИЯ ===
+# Кодируем категориальный признак Position в числовой формат
+position_mapping = {pos: i for i, pos in enumerate(df['Position'].unique())}
+df['Position_num'] = df['Position'].map(position_mapping)
+
+# Входные переменные — позиция, рост и возраст
+X_multi = df[['Position_num', 'Height(inches)', 'Age']].values
+
+mr = LinearRegression().fit(X_multi, y)
+y_pred_multi = mr.predict(X_multi)
+res_multi = y - y_pred_multi
+
+# Визуализация
+fig2, axes = plt.subplots(1, 2, figsize=(12, 5))
+fig2.suptitle('Множественная регрессия')
+
+# Остатки
+axes[0].scatter(y_pred_multi, res_multi, color='purple', alpha=0.6)
+axes[0].axhline(y=0, color='red', linestyle='--')
+axes[0].set_xlabel('Предсказанные значения')
+axes[0].set_ylabel('Остатки')
+axes[0].set_title('Анализ остатков')
+
+# Гистограмма остатков
+axes[1].hist(res_multi, bins=15, color='orange', edgecolor='black')
+axes[1].set_xlabel('Остатки')
+axes[1].set_ylabel('Количество точек')
+axes[1].set_title('Распределение остатков')
+
+# Метрики
+Qreg_m = np.sum((y_pred_multi - y.mean()) ** 2)
+Qres_m = np.sum((y - y_pred_multi) ** 2)
+
+R2_m = r2_score(y, y_pred_multi)
+AdjR2_m = 1 - (1 - R2_m) * (115 - 1) / (115 - 3 - 1)
+R_m = np.sqrt(R2_m)
+StdErr_m = np.sqrt(Qres_m / (115 - 3 - 1))
+
+print('\n=== Множественная регрессия ===')
+print('Коэффициент детерминации R²:', round(R2_m, 4))
+print('Скорректированный R²:', round(AdjR2_m, 4))
+print('Множественный коэффициент корреляции R:', round(R_m, 4))
+print('Стандартная ошибка регрессии:', round(StdErr_m, 4))
+print('Коэффициенты модели:', mr.intercept_, mr.coef_)
+
+plt.tight_layout()
+plt.show()
+
+# === КРАТКИЕ ВЫВОДЫ ===
+print('\n=== ВЫВОДЫ ===')
+print('1. Парная регрессия показывает умеренную связь между ростом и весом (R ≈', round(R, 2), ').')
+print('2. Множественная регрессия с учётом возраста и позиции улучшает качество модели (R² выше).')
+print('3. Остатки распределены примерно нормально, значимых выбросов немного.')
+print('4. Наиболее информативные переменные: рост и возраст.')
+
+
+

ИАД/lr1/python-files переделаные/task3_Fisher.py

@@ -0,0 +1,67 @@
+import numpy as np
+import pandas as pd
+from sklearn.datasets import load_iris
+from sklearn.linear_model import LinearRegression
+from statsmodels.stats.stattools import durbin_watson
+from scipy import stats
+import matplotlib.pyplot as plt
+
+# === Датасет Ирисы Фишера ===
+iris = load_iris()
+iris_pd = pd.DataFrame(data=np.c_[iris['data'], iris['target']],
+                       columns=iris['feature_names'] + ['target'])
+
+# === Признаки и целевая переменная ===
+x1 = iris_pd['sepal length (cm)'].values
+x2 = iris_pd['sepal width (cm)'].values
+x3 = iris_pd['petal length (cm)'].values
+x4 = iris_pd['petal width (cm)'].values  # целевая переменная
+
+# === Парная регрессия: x3 -> x4 ===
+lr = LinearRegression().fit(x3.reshape(-1,1), x4)
+y_pred1 = lr.predict(x3.reshape(-1,1))
+residuals1 = x4 - y_pred1
+
+# === Множественная регрессия: x1,x2,x3 -> x4 ===
+X = np.vstack((x1, x2, x3)).T
+mr = LinearRegression().fit(X, x4)
+y_pred2 = mr.predict(X)
+residuals2 = x4 - y_pred2
+
+# === Графики остатков ===
+fig, axes = plt.subplots(1, 2, figsize=(12,5))
+axes[0].hist(residuals1, bins=15, color='lightblue', edgecolor='black')
+axes[0].set_title('Остатки парной регрессии')
+axes[1].hist(residuals2, bins=15, color='lightgreen', edgecolor='black')
+axes[1].set_title('Остатки множественной регрессии')
+plt.show()
+
+# === Проверка нормальности остатков (Shapiro-Wilk) ===
+print("=== Проверка нормальности остатков ===")
+for i, res in enumerate([residuals1, residuals2], start=1):
+    stat, p = stats.shapiro(res)
+    print(f"Регрессия {i}: Статистика Шапиро–Уилка = {stat:.4f}, p-value = {p:.4f}")
+    if p > 0.05:
+        print("→ Остатки распределены нормально (H0 не отвергается).")
+    else:
+        print("→ Остатки не распределены нормально (H0 отвергается).")
+
+# === Статистика Дурбина–Уотсона ===
+from statsmodels.stats.stattools import durbin_watson
+print("\n=== Статистика Дурбина–Уотсона ===")
+dw1 = durbin_watson(residuals1)
+dw2 = durbin_watson(residuals2)
+print(f"Парная регрессия: DW = {dw1:.4f}")
+print(f"Множественная регрессия: DW = {dw2:.4f}")
+
+# Интерпретация
+def interpret_dw(dw):
+    if dw < 1.5:
+        return "→ Положительная автокорреляция остатков."
+    elif dw > 2.5:
+        return "→ Отрицательная автокорреляция остатков."
+    else:
+        return "→ Остатки независимы (автокорреляции нет)."
+
+print("Парная регрессия:", interpret_dw(dw1))
+print("Множественная регрессия:", interpret_dw(dw2))

ИАД/lr1/python-files переделаные/task3_HW.py

@@ -0,0 +1,66 @@
+import numpy as np
+import pandas as pd
+from sklearn.linear_model import LinearRegression
+from statsmodels.stats.stattools import durbin_watson
+from scipy import stats
+import seaborn as sns
+import matplotlib.pyplot as plt
+import statsmodels.api as sm
+
+# === Загружаем данные ===
+columns = ['Position', 'Height(inches)', 'Weight(pounds)', 'Age']
+df = pd.read_csv('SOCR_Data_MLB_HeightsWeights.txt', sep='\t', nrows=115, usecols=columns)
+
+# Кодируем категориальный признак "Position"
+df['Position_num'] = pd.factorize(df['Position'])[0]
+
+# === Множественная регрессия (Weight = f(Position, Height, Age)) ===
+X = df[['Position_num', 'Height(inches)', 'Age']]
+y = df['Weight(pounds)']
+
+model = LinearRegression().fit(X, y)
+y_pred = model.predict(X)
+
+# === Остатки ===
+res2 = y - y_pred
+
+# === Проверка нормальности остатков ===
+print('=== Проверка нормальности остатков ===')
+shapiro_stat, shapiro_p = stats.shapiro(res2)
+print(f"Статистика Шапиро–Уилка: {shapiro_stat:.4f}, p-value = {shapiro_p:.4f}")
+if shapiro_p > 0.05:
+    print("→ Остатки распределены нормально (нет оснований отвергнуть H₀).")
+else:
+    print("→ Остатки не распределены нормально (отвергаем H₀).")
+
+# === Графики остатков ===
+plt.figure(figsize=(12, 5))
+
+# Гистограмма
+plt.subplot(1, 2, 1)
+sns.histplot(res2, bins=20, kde=True, color='lightblue', edgecolor='black')
+plt.title('Гистограмма остатков')
+plt.xlabel('Остатки')
+
+# QQ-график
+plt.subplot(1, 2, 2)
+sm.qqplot(res2, line='s', ax=plt.gca())
+plt.title('QQ-график остатков')
+
+plt.tight_layout()
+plt.show()
+
+# === Статистика Дурбина–Уотсона ===
+dw_stat = durbin_watson(res2)
+
+# Явный вывод для отчёта
+print('\n=== Статистика Дурбина–Уотсона ===')
+print(f"Значение статистики Дурбина–Уотсона: {dw_stat:.4f}")
+
+# Интерпретация
+if dw_stat < 1.5:
+    print("→ Наблюдается положительная автокорреляция остатков.")
+elif dw_stat > 2.5:
+    print("→ Наблюдается отрицательная автокорреляция остатков.")
+else:
+    print("→ Автокорреляция остатков отсутствует (остатки независимы).")

ИАД/lr1/python-files переделаные/task5_Fisher.py

@@ -0,0 +1,45 @@
+import numpy as np
+from sklearn.datasets import load_iris
+from sklearn.linear_model import LinearRegression
+from sklearn.metrics import mean_squared_error, r2_score
+from sklearn.model_selection import train_test_split
+import pandas as pd
+import matplotlib.pyplot as plt
+
+# Датасет Ирисы Фишера
+iris = load_iris()
+iris_pd=pd.DataFrame(data=np.c_[iris['data'], iris['target']], columns=iris['feature_names'] + ['target'])
+
+# Формирование выборок по признакам
+x1 = np.array(iris_pd['sepal length (cm)']) # первый признак - длина чашелистика
+x2 = np.array(iris_pd['sepal width (cm)']) # второй признак - ширина чашелистика
+x3 = np.array(iris_pd['petal length (cm)']) # третий признак - длина лепестка
+x4 = np.array(iris_pd['petal width (cm)']) # четвертый признак - ширина лепестка
+
+X = np.column_stack((x1, x2, x3))
+
+# Разделение на обучающую и тестовую выборки
+X_train, X_test, y_train, y_test = train_test_split(X, x4, test_size=0.25, random_state=42)
+
+
+
+model = LinearRegression()
+model.fit(X_train, y_train)
+
+y_pred = model.predict(X_test)
+
+mse = mean_squared_error(y_test, y_pred)
+rmse = np.sqrt(mse)
+r2 = r2_score(y_test, y_pred)
+
+print(f"Среднеквадратичное отклонение (СКO): {rmse:.2f}")
+print(f"Коэффициент детерминации (R²): {r2:.2f}")
+
+residuals = y_test - y_pred
+
+plt.scatter(y_pred, residuals)
+plt.axhline(y=0, color='red', linestyle='--')
+plt.xlabel('Предсказанные значения')
+plt.ylabel('Остаточные ошибки')
+plt.title('График остатков')
+plt.show()

ИАД/lr1/python-files переделаные/task5_HW.py

@@ -0,0 +1,56 @@
+import numpy as np
+import pandas as pd
+from sklearn.linear_model import LinearRegression
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import mean_squared_error, r2_score
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+# === Загружаем данные ===
+columns = ['Position', 'Height(inches)', 'Weight(pounds)', 'Age']
+df = pd.read_csv('SOCR_Data_MLB_HeightsWeights.txt', sep='\t', nrows=115, usecols=columns)
+
+# Кодируем категориальный признак "Position"
+df['Position_num'] = pd.factorize(df['Position'])[0]
+
+# === Признаки и целевая переменная ===
+X = df[['Position_num', 'Height(inches)', 'Age']]
+y = df['Weight(pounds)']
+
+# === Разделение выборки на обучающую и тестовую ===
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
+
+# === Обучение модели ===
+model = LinearRegression()
+model.fit(X_train, y_train)
+
+# === Предсказание ===
+y_pred = model.predict(X_test)
+
+# === Оценка точности ===
+mse = mean_squared_error(y_test, y_pred)
+rmse = np.sqrt(mse)
+r2 = r2_score(y_test, y_pred)
+
+print("=== Оценка качества модели ===")
+print(f"СКО (RMSE): {rmse:.4f}")
+print(f"Коэффициент детерминации (R^2): {r2:.4f}")
+
+# === График ошибок ===
+errors = y_test - y_pred
+
+plt.figure(figsize=(10, 5))
+sns.histplot(errors, bins=15, kde=True, color='lightcoral', edgecolor='black')
+plt.title('Гистограмма ошибок предсказания')
+plt.xlabel('Ошибка (y_true - y_pred)')
+plt.ylabel('Частота')
+plt.show()
+
+# === Визуализация предсказанного vs реального значения ===
+plt.figure(figsize=(8, 6))
+plt.scatter(y_test, y_pred, color='blue', edgecolor='k')
+plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', lw=2)
+plt.xlabel('Истинные значения')
+plt.ylabel('Предсказанные значения')
+plt.title('Предсказанные vs Истинные значения')
+plt.show()