7b1f89fb4c
Улучшены параметры синтетических датасетов Метрики разнесены по трем классам PlotML - сделан Surface и улучшены палитры
40 lines
1.5 KiB
ObjectPascal
40 lines
1.5 KiB
ObjectPascal
// Простейший пример линейной регрессии на синтетических данных.
|
|
//
|
|
// Датасет сгенерирован функцией MakeRegression:
|
|
// • признаки — случайные вещественные значения
|
|
// • зависимость — линейная комбинация признаков
|
|
// • добавлен небольшой гауссов шум
|
|
// • нелинейность отключена (nonlinearStrength = 0)
|
|
//
|
|
// Таким образом, модель полностью соответствует предположениям LinearRegression.
|
|
//
|
|
// Ожидаемый результат:
|
|
// • модель восстанавливает зависимость почти идеально
|
|
// • ошибка (MSE) близка к нулю
|
|
//
|
|
// Этот пример демонстрирует:
|
|
// • базовый pipeline регрессии (Fit → Predict → Metrics)
|
|
// • ситуацию "идеальной модели", когда данные линейны
|
|
// • нижнюю границу ошибки для линейных методов
|
|
uses MLABC;
|
|
|
|
begin
|
|
var (X, y) := Datasets.MakeRegression(
|
|
n := 300,
|
|
nFeatures := 10,
|
|
nInformative := 8,
|
|
noise := 0.1,
|
|
coefScale := 1.0,
|
|
bias := 0.0,
|
|
nonlinearStrength := 0.0,
|
|
shuffle := True,
|
|
seed := 42
|
|
);
|
|
|
|
var model := new LinearRegression;
|
|
model.Fit(X, y);
|
|
|
|
var yPred := model.Predict(X);
|
|
|
|
Println('LinearRegression MSE:', Metrics.MSE(y, yPred):0:4);
|
|
end. |