Задачи классификации и регрессии

Первое задание:

1. Загрузить из интернета котировки любого биржевого инструмента (акции, облигации, валюты и т.п.) так, чтобы имелось не менее 300 котировок. Использовать цены дневного закрытия. https://www.dropbox.com/s/rs9a6tuw4emm03p/Python%20datasets.rar?dl=0

2. Импортировать указанные котировки в датасет Python.

3. С помощью GridSearch построить оптимальную модель полиномиальной регрессии.

4. Вывести оценки качества полученной модели MSE и R2.

5. Построить график, визуализирующий исходный датасет и построенную регрессию.

Второе задание:

1. Файл DataFrame2.csv https://www.dropbox.com/s/rs9a6tuw4emm03p/Python%20datasets.rar?dl=0

Указанный файл содержит выборку объемом 50 объектов, каждый из которых характеризуется четырьмя числовыми признаками (столбцы 'Feature_1', 'Feature_2', 'Feature_3', 'Feature_4') и относится к одному из четырех классов (столбец 'Class').

2. Обучить классификатор GaussianNB. С помощью GridSearch обучить классификаторы PolynomialNB и DecisionTreeClassifier.

3. Для всех трех обученных классификаторов построить матрицу ошибок классификации. Сравнить результаты и сделать вывод о том, какой из классификаторов лучший.

Так же могу скинуть все примеры, которые разбирали на парах