Контрольная и три лабораторные (Python)

Выполнить контрольную и три лабораторные. Отчеты аккуратно оформить в word.

Последние две цифры пароля N=03

Лабораторная работа №1 «Метод k ближайших соседей»

Суть лабораторной работы заключается в написании классификатора на основе метода k ближайших соседей. Данные из файла необходимо разбить на две выборки, обучающую и тестовую, согласно общепринятым правилам разбиения. На основе этих данных необходимо обучить разработанный классификатор. На обучающей выборке следует подобрать необходимые параметры метода для лучшей точности, а на тестовой выборке один раз протестировать метод с найденными оптимальными значениями изменяемых параметров (количеством соседей k/ параметрами q и i/ шириной окна h).

Лабораторная работа №2 «Решающие деревья»

Требуется имеющиеся данные разбить на обучающую и тестовую выборки в

процентном соотношении 70 к 30.

После чего по обучающей выборке необходимо построить решающее дерево,

а также случайный лес.

Разрешается использовать уже реализованные решающие деревья из

известных библиотек (например, scikit-learn для Python).

Лабораторная работа №3 «Регрессия»

Используя модель логистической регрессии реализовать

прогнозирование реалистичности статьи.

1. Необходимо построить модель для каждого из наборов, обучить её и

сравнить полученные при помощи модели результаты с известными. Для

обучения использовать 70% выборки, для тестирования 30%. Разбивать

необходимо случайным образом, а, следовательно, для корректности

тестирования качества модели, эксперимент необходимо провести не менее

10 раз и вычислить среднее значение качества регрессии.

2. Работу регрессии необходимо проверить на конкретном примере. При

подаче на вход определённого объекта данных (заголовка статьи, текста, типа

и даты) программа должна выводить тип статьи «Fake» или «Frue»,

выведенное значение необходимо проверить с тем, что находится в исходных

данных.

Контрольная работа по методам классификации

Предоставляются наборы данных, в зависимости от варианта, для этих данных необходимо:

1) Построить классификатор на основе метода ближайших k соседей и определить класс тестового значения (методические указания и пример приведены ниже); От варианта зависят весовая функция и значение k.

2) Построить классификатор на основе алгоритма CART построения дерева принятия решений (методические указания и пример приведены ниже). От варианта зависит выбор обучающей выборки.