Добавлены файлы-питон по 3 лр

ИАД/lr3/1.py

@@ -0,0 +1,54 @@
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.datasets import load_iris
+from sklearn.decomposition import PCA
+from sklearn.manifold import TSNE
+
+# ==============================
+# ЗАГРУЗКА ДАННЫХ
+# ==============================
+iris = load_iris()
+X = iris.data          # признаки
+y = iris.target        # метки классов
+classes = iris.target_names
+
+print("Размерность исходных данных:", X.shape)
+
+# ==============================
+# PCA (Метод главных компонент)
+# ==============================
+pca = PCA(n_components=2)
+X_pca = pca.fit_transform(X)
+
+print("Доля объяснённой дисперсии PCA:")
+print(pca.explained_variance_ratio_)
+
+# ГРАФИК PCA
+plt.figure()
+plt.scatter(X_pca[:, 0], X_pca[:, 1])
+plt.title("Снижение размерности методом PCA")
+plt.xlabel("Главная компонента 1")
+plt.ylabel("Главная компонента 2")
+plt.grid(True)
+plt.savefig("pca_iris.png", dpi=300)
+plt.show()
+
+# ==============================
+# t-SNE
+# ==============================
+tsne = TSNE(n_components=2, perplexity=30, random_state=42)
+X_tsne = tsne.fit_transform(X)
+
+# ГРАФИК t-SNE
+plt.figure()
+plt.scatter(X_tsne[:, 0], X_tsne[:, 1])
+plt.title("Снижение размерности методом t-SNE")
+plt.xlabel("Компонента 1")
+plt.ylabel("Компонента 2")
+plt.grid(True)
+plt.savefig("tsne_iris.png", dpi=300)
+plt.show()
+
+print("Графики сохранены:")
+print("pca_iris.png")
+print("tsne_iris.png")

ИАД/lr3/2.py

@@ -0,0 +1,98 @@
+import numpy as np
+import matplotlib.pyplot as plt
+
+from sklearn.datasets import load_iris
+from sklearn.model_selection import train_test_split, cross_val_score
+from sklearn.linear_model import LogisticRegression
+from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
+from sklearn.decomposition import PCA
+
+# ============================
+# 1. ЗАГРУЗКА ДАННЫХ
+# ============================
+iris = load_iris()
+X = iris.data
+y = iris.target
+
+print("Размерность данных:", X.shape)
+
+# ============================
+# 2. РАЗБИЕНИЕ НА ОБУЧАЮЩУЮ И ТЕСТОВУЮ ВЫБОРКИ
+# ============================
+X_train, X_test, y_train, y_test = train_test_split(
+    X, y, test_size=0.3, random_state=42
+)
+
+print("Размер обучающей выборки:", X_train.shape)
+print("Размер тестовой выборки:", X_test.shape)
+
+# ============================
+# 3. КЛАССИФИКАТОР (ПО УМОЛЧАНИЮ)
+# ============================
+classifier = LogisticRegression(max_iter=1000)
+
+# ============================
+# 4. КРОСС-ВАЛИДАЦИЯ (5-FOLD)
+# ============================
+cv_scores = cross_val_score(classifier, X_train, y_train, cv=5)
+
+print("\nТочность на фолдах:", cv_scores)
+print("Средняя точность по кросс-валидации:", np.mean(cv_scores))
+
+# ============================
+# 5. ОБУЧЕНИЕ
+# ============================
+classifier.fit(X_train, y_train)
+
+# ============================
+# 6. ПРЕДСКАЗАНИЕ
+# ============================
+y_pred = classifier.predict(X_test)
+
+# ============================
+# 7. МЕТРИКИ КАЧЕСТВА
+# ============================
+accuracy = accuracy_score(y_test, y_pred)
+precision = precision_score(y_test, y_pred, average="macro")
+recall = recall_score(y_test, y_pred, average="macro")
+f1 = f1_score(y_test, y_pred, average="macro")
+
+print("\nМЕТРИКИ КАЧЕСТВА:")
+print("Accuracy:", accuracy)
+print("Precision:", precision)
+print("Recall:", recall)
+print("F1-score:", f1)
+
+# ============================
+# 8. СНИЖЕНИЕ РАЗМЕРНОСТИ ДЛЯ ВИЗУАЛИЗАЦИИ (PCA)
+# ============================
+pca = PCA(n_components=2)
+X_test_2d = pca.fit_transform(X_test)
+
+# ============================
+# 9. ГРАФИК 1 — ИСТИННЫЕ МЕТКИ
+# ============================
+plt.figure()
+plt.scatter(X_test_2d[:, 0], X_test_2d[:, 1])
+plt.title("Тестовая выборка с ИСТИННЫМИ метками")
+plt.xlabel("Компонента 1")
+plt.ylabel("Компонента 2")
+plt.grid(True)
+plt.savefig("test_true_labels.png", dpi=300)
+plt.show()
+
+# ============================
+# 10. ГРАФИК 2 — ПРЕДСКАЗАННЫЕ МЕТКИ
+# ============================
+plt.figure()
+plt.scatter(X_test_2d[:, 0], X_test_2d[:, 1])
+plt.title("Тестовая выборка с ПРЕДСКАЗАННЫМИ метками")
+plt.xlabel("Компонента 1")
+plt.ylabel("Компонента 2")
+plt.grid(True)
+plt.savefig("test_predicted_labels.png", dpi=300)
+plt.show()
+
+print("\nГрафики сохранены:")
+print("test_true_labels.png")
+print("test_predicted_labels.png")

ИАД/lr3/3.py

@@ -0,0 +1,76 @@
+import numpy as np
+import joblib
+
+from sklearn.datasets import load_iris
+from sklearn.model_selection import train_test_split, GridSearchCV
+from sklearn.linear_model import LogisticRegression
+from sklearn.metrics import classification_report
+
+# ============================
+# 1. ЗАГРУЗКА ДАННЫХ
+# ============================
+iris = load_iris()
+X = iris.data
+y = iris.target
+
+# ============================
+# 2. РАЗБИЕНИЕ НА ОБУЧАЮЩУЮ И ТЕСТОВУЮ ВЫБОРКИ
+# ============================
+X_train, X_test, y_train, y_test = train_test_split(
+    X, y, test_size=0.3, random_state=42
+)
+
+# ============================
+# 3. КЛАССИФИКАТОР
+# ============================
+model = LogisticRegression(max_iter=2000)
+
+# ============================
+# 4. СЕТКА ПАРАМЕТРОВ
+# ============================
+param_grid = {
+    'C': [0.01, 0.1, 1, 10, 100],
+    'solver': ['lbfgs', 'liblinear'],
+    'penalty': ['l2']
+}
+
+# ============================
+# 5. НАСТРОЙКА GridSearchCV
+# ============================
+grid = GridSearchCV(
+    estimator=model,
+    param_grid=param_grid,
+    cv=5,
+    scoring='accuracy',
+    n_jobs=-1
+)
+
+# ============================
+# 6. ОБУЧЕНИЕ
+# ============================
+grid.fit(X_train, y_train)
+
+# ============================
+# 7. ЛУЧШИЕ ПАРАМЕТРЫ
+# ============================
+print("Лучшие параметры:")
+print(grid.best_params_)
+
+print("\nЛучшая точность по кросс-валидации:")
+print(grid.best_score_)
+
+# ============================
+# 8. ПРОВЕРКА НА ТЕСТЕ
+# ============================
+best_model = grid.best_estimator_
+y_pred = best_model.predict(X_test)
+
+print("\nОтчёт по классификации:")
+print(classification_report(y_test, y_pred))
+
+# ============================
+# 9. СОХРАНЕНИЕ МОДЕЛИ
+# ============================
+joblib.dump(best_model, "best_model.pkl")
+
+print("\nЛучшая модель сохранена в файл: best_model.pkl")

ИАД/lr3/4.py

@@ -0,0 +1,106 @@
+import numpy as np
+import matplotlib.pyplot as plt
+import joblib
+
+from sklearn.datasets import load_iris
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
+from sklearn.decomposition import PCA
+
+# ============================
+# 1. ЗАГРУЗКА ДАННЫХ
+# ============================
+iris = load_iris()
+X = iris.data
+y = iris.target
+
+# ============================
+# 2. РАЗБИЕНИЕ НА ОБУЧАЮЩУЮ И ТЕСТОВУЮ ВЫБОРКИ
+# ============================
+X_train, X_test, y_train, y_test = train_test_split(
+    X, y, test_size=0.3, random_state=42
+)
+
+# ============================
+# 3. ЗАГРУЗКА ЛУЧШЕЙ МОДЕЛИ
+# ============================
+model = joblib.load("best_model.pkl")
+print("Модель загружена из файла best_model.pkl")
+
+# ============================
+# 4. ОБУЧЕНИЕ НА ТРЕНИРОВОЧНОЙ ВЫБОРКЕ
+# ============================
+model.fit(X_train, y_train)
+
+# ============================
+# 5. ПРЕДСКАЗАНИЯ
+# ============================
+y_pred = model.predict(X_test)
+
+# ============================
+# 6. МЕТРИКИ КАЧЕСТВА
+# ============================
+accuracy = accuracy_score(y_test, y_pred)
+precision = precision_score(y_test, y_pred, average="macro")
+recall = recall_score(y_test, y_pred, average="macro")
+f1 = f1_score(y_test, y_pred, average="macro")
+
+print("\nМЕТРИКИ КАЧЕСТВА (ПУНКТ 4):")
+print("Accuracy:", accuracy)
+print("Precision:", precision)
+print("Recall:", recall)
+print("F1-score:", f1)
+
+# ============================
+# 7. PCA ДЛЯ ВИЗУАЛИЗАЦИИ
+# ============================
+pca = PCA(n_components=2)
+X_test_2d = pca.fit_transform(X_test)
+
+# ============================
+# 8. ГРАФИК 1 — ИСТИННЫЕ МЕТКИ
+# ============================
+plt.figure()
+plt.scatter(X_test_2d[:, 0], X_test_2d[:, 1])
+plt.title("Тестовая выборка — ИСТИННЫЕ МЕТКИ")
+plt.xlabel("Компонента 1")
+plt.ylabel("Компонента 2")
+plt.grid(True)
+plt.savefig("4_true_labels.png", dpi=300)
+plt.show()
+
+# ============================
+# 9. ГРАФИК 2 — МЕТКИ ИЗ ПУНКТА 2 (БЕЗ GridSearch)
+# ============================
+# Их можно восстановить повторным обучением обычной LogisticRegression
+from sklearn.linear_model import LogisticRegression
+
+base_model = LogisticRegression(max_iter=1000)
+base_model.fit(X_train, y_train)
+y_pred_base = base_model.predict(X_test)
+
+plt.figure()
+plt.scatter(X_test_2d[:, 0], X_test_2d[:, 1])
+plt.title("Тестовая выборка — ПРЕДСКАЗАНИЯ (пункт 2)")
+plt.xlabel("Компонента 1")
+plt.ylabel("Компонента 2")
+plt.grid(True)
+plt.savefig("4_pred_labels_p2.png", dpi=300)
+plt.show()
+
+# ============================
+# 10. ГРАФИК 3 — МЕТКИ ИЗ ПУНКТА 4 (ПОСЛЕ GridSearch)
+# ============================
+plt.figure()
+plt.scatter(X_test_2d[:, 0], X_test_2d[:, 1])
+plt.title("Тестовая выборка — ПРЕДСКАЗАНИЯ (пункт 4, после GridSearch)")
+plt.xlabel("Компонента 1")
+plt.ylabel("Компонента 2")
+plt.grid(True)
+plt.savefig("4_pred_labels_p4.png", dpi=300)
+plt.show()
+
+print("\nГрафики сохранены:")
+print("4_true_labels.png")
+print("4_pred_labels_p2.png")
+print("4_pred_labels_p4.png")