ML/task13/[Base]_Linear_Models_regression_[2025_2026].ipynb

Машинное обучение. ВМК МГУ

Практическое задание 5: Линейные модели: регрессия

Уровень: Базовый (Base)

О формате сдачи

🔷 При решении ноутбука используйте данный шаблон

✅ Можно добавлять новые ячейки любых типов
❌ Не нужно удалять текстовые ячейки c разметкой частей ноутбука и формулировками заданий

🔷 При оценивании задач учитывается код

✅ Задания, в которых необходим код, обычно помечаются фразами "Your code here"/"Ваш код" и аналогичными
❌ Ответы на вопросы без сопутствующего кода оцениваются в 0 баллов
❌ Наличе работоспособного кода в ноутбуке, если на сказано иного, обязательно

🔷 При оценивании задач учитываются выводы

✅ Задания, в которых необходимы выводы, обычно помечаются фразами Вывод"/"Ответ на вопрос"/"Ваш текст" и аналогичными
✅ Обычно выводы подразумевают под собой текстовый ответ (можно писать markdown, latex).
✅ Сопутствующие изображения, графики, таблички - приветствуются!
❌ При отсутствии выводов задание не засчитается на полный балл

---

Цель данного задания:

• Узнать, что такое регуляризация, зачем она нужна, и чем отличаются разные регуляризаторы.
• Научиться решать задачу регрессии линейными моделями.

---

Примерное время выполнения (execution time/время выполнения, если нажать run all) всех ячеек ноутбука при правильной реализации: 5 минут

Подготовка рабочей среды

Сначала установим нужные нам версии библиотек. Мы гарантируем, что в данных версиях задание будет корректно отрабатывать.

После установки нужных версий, возможно, нужно перезагрузить среду (runtime), но скорее всего вам это не понадобится

На скачивание файла и установку понадобится не более 5 минут.

Важно!

Устанавливать нужные версии нужно каждый раз, когда создается новый рантайм. Например, если вы 2 часа подряд делаете это задание, то подготовить библиотеки достаточно 1 раз. Но если вы, например, начали в понедельник, затем закрыли/выключили ноутбук, то при продолжении в среду, вам нужно будет запустить рантайм заново и следовательно заново установить библиотеки.

Важно! Если вы предпочитаете делать практические задания на своем личном ноутбуке, то проверьте, что вы установили рабочее окружение в соответствии с гайдом

In [ ]:

! curl https://raw.githubusercontent.com/MSU-ML-COURSE/ML-COURSE-25-26/refs/heads/master/requirements/requirements.txt -o ./requirements_2025_26_for_colab_small.txt
! pip install -q -r ./requirements_2025_26_for_colab_small.txt

[notice] A new release of pip is available: 25.2 -> 25.3
[notice] To update, run: pip install --upgrade pip

Проверим версию библиотеки:

In [3]:

import catboost
assert(catboost.__version__ == '1.2.8')

Теперь можно приступать к выполнению задания! :)

---

In [31]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.simplefilter("ignore")
sns.set(style="darkgrid")
%matplotlib inline

Линейная регрессия и регуляризация

Напомним, что линейная регрессия — это модель следующего вида: a(x) = \langle w, x \rangle + b где w \in \mathbb{R}^d, b \in \mathbb{R}. Обучить линейную регрессию — значит найти w и b.

Для обучения линейной регрессии, равно как и для обучения остальных простых моделей (линейные модели, решающие деревья, knn и т.д.) отлично подходит библиотека scikit-learn (sklearn): в ней очень понятный и простой интерфейс.

Однако для обучения более сложных моделей вроде бустинга и нейронных сетей всё же нужно пользоваться специализированными библиотеками: XGBoost, LightGBM, CatBoost и пр. для градиентного бустинга над деревьями, PyTorch, Tensorflow и пр. для нейронных сетей.

---

Напомним, что линейная регрессия — это модель вида

a(x) = \langle w, x \rangle + b где w \in \mathbb{R}^d, b \in \mathbb{R}. Для обучения параметров w решается оптимизационная задача следующего вида:

\frac{1}{M} ∑_{i=1}^M (w_1 \cdot x_{i1} + \dots + w_n \cdot x_{in} + b - y_i)^2 + \alpha \cdot R(w) \rightarrow \min_{w_1, \dots, w_n, b}

Здесь R(w) — это регуляризация параметров модели, \alpha — коэффициент регуляризации, задаваемый перед началом обучения.

Для обучения линейной регрессии, нам подойдет реализация из sklearn. В sklearn есть несколько классов, реализующих линейную регрессию. Основные это:

• LinearRegression — линейная регрессия без регуляризации R(w) = 0 (метод наименьших квадратов)
• Ridge — линейная регрессия с оптимизацией MSE и $\ell_2$-регуляризацией R(w) = \frac{1}{2} \cdot \left( w_1^2 + \dots + w_n^2 \right)
• Lasso — линейная регрессия с оптимизацией MSE и $\ell_1$-регуляризацией R(w) = |w_1| + \dots + |w_n|

Также есть SVR, ElasticNet и пр., но не будем сегодня о них

У моделей из sklearn есть методы fit и predict. Первый принимает на вход обучающую выборку и вектор целевых переменных и обучает модель, второй, будучи вызванным после обучения модели, возвращает предсказание на выборке.

---

Рассмотрим, модельные данные для задачи регрессии. Пусть x будет обычным числом из равномерного распределения, а y = 0.5 \cdot x + 0.1 — целевая переменная. При этом наблюдаем мы \overline{y} = y + \varepsilon,~\varepsilon \sim N(0, 0.01).

In [32]:

np.random.seed(1)
X = np.random.uniform(0, 1, 100)
Y = X * 0.5 + 0.1 + np.random.randn(100) * 0.1

plt.figure(figsize=(8, 8))
plt.scatter(X, Y)
plt.title("Обучающая выборка зависимости y от x", size=15)
plt.xlabel("x", size=15)
plt.ylabel(r'$\overline{y}$', size=15)
plt.show()

Обучим линейную регрессию с l_2 регуляризацией, и посмотрим как регуляризация влияет на качество модели. В реализации библиотеки sklearn (класс Ridge) коэффициент регуляризации задаётся параметром alpha

In [33]:

from sklearn.linear_model import Ridge

In [34]:

x_axis = np.linspace(0, 1, 200)
fig, axs = plt.subplots(figsize=(14, 7), ncols=2)
axs[0].scatter(X, Y)

w = []
b = []

alphas = [0.0, 0.1, 1.0, 10.0, 100.0, 1000.0]

for alpha in alphas:
    reg = Ridge(alpha=alpha) # Задаем параметр alpha
    reg.fit(X[:, None], Y)
    pred = reg.predict(x_axis[:, None])
    w.append(reg.coef_[0])
    b.append(reg.intercept_)
    axs[0].plot(x_axis, pred, label="alpha=" + str(alpha))

axs[0].legend()
axs[0].set_xlabel("x", size=15)
axs[0].set_ylabel("y", size=15)
axs[0].set_title("Ridge регрессия с разными коэффициентами регуляризации")
axs[1].plot(alphas, w, label="w")
axs[1].plot(alphas, b, label="b")
axs[1].set_xlabel("alpha", size=15)
axs[1].set_ylabel("Значение параметров", size=15)
axs[1].set_title("Значение параметров w и b при разных значениях регуляризации")
axs[1].set_xscale("symlog", linthresh=0.01)
axs[1].legend()
plt.show()

Задание 1 [2 баллa]

Как зависят параметры модели от константы регуляризации? А качество?

Ваши выводы тут:

Зависимость параметров:

• С увеличением константы веса модели начинают уменьшаться. При очень больших значениях они становятся практически нулевыми
• При больших значениях alpha практически весь вклад вносится за счёт коэффициента смещения
• С увеличением значений alpha возникает высокий риск недообучения

Качество модели:

• При значительном увеличении alpha качество модели сильно падает

---

Казалось бы, зачем нам регуляризация?

Давайте рассмотрим ещё один модельный пример. Представим, что кто-то добавил в данные к переменной x её же умноженную на 2. То есть, теперь у нас два признака x_1 и x_2 = 2 \cdot x_1. Тогда, y = c \cdot 0.5 \cdot x_1 + \frac{1 - c}{4} \cdot x_2 + 0.1, где c любое сколь угодно большое вещественное число. Это может привести к тому, что без регуляризации мы рискуем выучить очень большие веса!

In [35]:

np.random.seed(1)
X2 = np.hstack((X[:, None], 2 * X[:, None]))
Y2 = X2[:, 0] * 0.5 + 0.1 + np.random.randn(100) * 0.1

reg = Ridge(alpha=0.0)
reg.fit(X2, Y2)
print("w1:", reg.coef_[0], "\tw2:", reg.coef_[1])

w1: 0.003110369132959204 	w2: 0.24999999999999994

Коэффициенты адекватные, хотя и не похожи на изначальную зависимость. Но что, если x_2 будет равняться 3 \cdot x_1?

In [36]:

np.random.seed(1)
X3 = np.hstack((X[:, None], 3 * X[:, None]))
Y3 = X3[:, 0] * 0.5 + 0.1 + np.random.randn(100) * 0.1

reg = Ridge(alpha=0.0)
reg.fit(X3, Y3)
print("w1:", reg.coef_[0], "\tw2:", reg.coef_[1])

w1: 9734611262837.348 	w2: -3244870420945.615

Тут вот уже не повезло. Коэффициенты случайно выучились неадекватно большими.

Создадим обучающую выборку из того же распределения и посмотрим на качество:

In [37]:

np.random.seed(2)
X3_test = np.random.uniform(0, 1, 100)
X3_test = np.hstack((X3_test[:, None], 3 * X3_test[:, None]))
Y3_test = X3_test[:, 0] * 0.5 + 0.1 + np.random.randn(100) * 0.1

Y3_test_pred = np.sum(reg.coef_[None] * X3_test + reg.intercept_, axis=1)
print("MSE loss: %.4f" % np.mean((Y3_test_pred - Y3_test) ** 2))

MSE loss: 0.0219

Вроде бы неплохое, но что если мы добавим ко второму признаку одного из объектов небольшой шум?

In [38]:

X3_test[0, 1] = X3_test[0, 1] + 1e-10
Y3_test_pred_noisy = np.sum(reg.coef_[None] * X3_test + reg.intercept_, axis=1)
print("MSE loss:", np.mean((Y3_test_pred_noisy - Y3_test) ** 2))
print("Предсказание для первого с шумом: ", Y3_test_pred_noisy[0])
print("Предсказание для первого без шума: ", Y3_test_pred[0])

MSE loss: 1051.9490520394384
Предсказание для первого с шумом:  -324.0625
Предсказание для первого без шума:  0.4248046875

Как видим, даже небольшое изменение в данных, приводит к резкому падению качества.

Задание 2 [2 баллa]

Рассмотрите больше примеров (хотя бы два) с двумя признаками x_1 и x_2, где x_2 линейно зависит от x_1. Убедитесь, что линейная модель без регуляризации крайне неустойчива.

In [39]:

X_4 = np.random.uniform(0, 1, 100)
X_4 = np.hstack((X_4[:, None], 15 * X_4[:, None]))
Y_4 = X_4[:, 0] * 0.5 + 0.1 + np.random.randn(100) * 0.1

reg = Ridge(alpha=0.0)
reg.fit(X_4, Y_4)
print("w1:", reg.coef_[0], "\nw2:", reg.coef_[1])
print("-----")

X_5 = np.random.uniform(0, 1, 100)
X_5 = np.hstack((X_5[:, None], -19 / 13 * X_5[:, None]))
Y_5 = X_5[:, 0] * 0.5 + 0.1 + np.random.randn(100) * 0.1

reg = Ridge(alpha=0.0)
reg.fit(X_5, Y_5)
print("w1:", reg.coef_[0], "\nw2:", reg.coef_[1])

w1: 1696626244189.3145 
w2: -113108416279.25912
-----
w1: -0.24676691369166734 
w2: -0.5

---

Масштабирование данных

Попробуем обучить линейную регрессию уже c l_1 регуляризацией (Lasso) на специальном датасете из sklearn

In [40]:

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split

X, y = fetch_california_housing(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=2024)

Взглянем немножко на данные. Выведем средние значения каждого признака

In [41]:

with np.printoptions(formatter={'float': '{: 0.3f}'.format}):
  print(X_train.mean(axis=0))

[ 3.868  28.712  5.411  1.093  1416.185  3.109  35.637 -119.583]

Нетрудно видеть, что масштаб у разных признаков сильно отличается. Это может приводить к разным неприятным эффектам. Подробнее эту проблему мы разберём в следующем задании.

In [42]:

from sklearn.preprocessing import StandardScaler

Задание 3 [1 балл]

Отмасштабируйте данные при помощи класса StandardScaler. Выведите средние значения и дисперсии признаков на обучающей и тестовой выборках.

Примечание Результат положите в переменные X_train_scaled и X_test_scaled , чтобы последующий код был рабочим

In [43]:

scaler = StandardScaler()

X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

print(f"X_train_scaled:\nСреднее значение = {X_train_scaled.mean()}\nдисперсия = {X_train_scaled.var()}\n")
print(f"X_train_scaled:\nСреднее значение = {X_test_scaled.mean()}\nдисперсия = {X_test_scaled.var()}")

X_train_scaled:
Среднее значение = -1.5276078667068268e-14
дисперсия = 1.0000000000000033

X_train_scaled:
Среднее значение = 0.009713241824084506
дисперсия = 1.2685666097336883

Измерим качество прогнозатора. Будем использовать метрику RMSE.

In [44]:

from sklearn.metrics import mean_squared_error, root_mean_squared_error
from sklearn.linear_model import Lasso

In [45]:

reg = Lasso(alpha=0.5)
reg.fit(X_train_scaled, y_train)
y_pred = reg.predict(X_test_scaled)
print("Test RMSE = %.4f" % root_mean_squared_error(y_test, y_pred))

Test RMSE = 0.9798

Задание 4 [2 баллa]

В чем плюсы RMSE по сравнению с MSE?

Ваши выводы тут:

Плюсы:

• RMSE, за счёт извлечения квадратного корня, выражается в тех же единицах измерения, что и оригинальные данные.
  • MSE же, напротив, имеет в качестве единиц измерения квадрат исходных е.и.
  • В целом RMSE чаще используется для прикладных задач за счёт удобства оценки данных в тех же единицах измерения, в то время как MSE применяется в математических задачах, так как более явно учитывает влияние больших выбросов
• Несмотря на то, что обе приведённые метрики весьма чувствительны к большим значениям ошибки (так как все ошибки вносят квадратичный вклад), RMSE несколько сглаживает их влияние за счёт извлечения корня
  • Это может быть полезно, когда влияние подобных ошибок не столь важно для модели
• При равномерном распределении ошибок RMSE можно использовать как среднеквадратичное отклонения

---

Обратим внимание на веса модели. Почти все из них занулились! Это большое преимущество, так как разреживание весов позволяет отбирать нужные признаки, делая модель более лёгкой.

In [46]:

reg.coef_

Out [46]:

array([ 0.28811554,  0.        ,  0.        , -0.        , -0.        ,
       -0.        , -0.        , -0.        ])

А теперь обучим с l_2 регуляризацией.

In [47]:

reg = Ridge(alpha=0.5)
reg.fit(X_train_scaled, y_train)
print(reg.coef_)

[ 8.50854581e-01  1.25545440e-01 -2.78892640e-01  3.08812622e-01
 -1.99686054e-04 -4.12942247e-02 -8.88296917e-01 -8.60046905e-01]

Как видим, веса не разрежены, хотя и есть очень маленькие значения

---

Подбор гиперпараметра при регуляризации

При обучении мы заранее не знаем, какое значение параметра регуляризации даст наилучшие результаты. Подобрать оптимальные параметры можно с помощью кросс-валидации. В sklearn есть несколько классов со встроенной кросс-валидацией

In [48]:

from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline

Воспользуемся классом GridSearch для перебора параметров по сетке.

• Для линейных регрессий перебирается параметр \alpha - сила регуляризации. Обычно важнее перебирать порядок этого параметра, а не точное его значение. В силу этого сетку перебора будет удобно сделать через функцию np.logspace, например np.logspace(-3, 3, 10).

Задание 5 [3 баллa]

Воспользуйтесь классом GridSearch и подберите константы регуляризации для Lasso и Ridge регрессий. Измерьте качество обученных моделей. Сетка перебора должна быть логарифмической, из хотя бы 10 значений

Подсказка

• Пример, как можно перебирать параметры в GridSearch у вложенных Pipeline можно найти вот тут
• Обратите внимание, что сейчас мы сразу заносим масштабирование в Pipeline - чтобы иметь возможность сразу вызываться от оригинальных X_train, а также чтобы не было утечки данных при использовании GridSearch
• В GridSearch в качестве скоринговой функции можно подавать строковое описание функции из sklearn, которое можно посмотреть вот тут, а также саму скоринговую функцию из sklearn или собственную функцию, сделанную через make_scorer

Примечание Итоговое качество должно быть не больше 0.75 RMSE. За меньшее качество балл будет снижаться

In [50]:

model_lasso = Pipeline([
    ("scaler", StandardScaler()),
    ("regr", Lasso())
])

model_ridge = Pipeline([
    ("scaler", StandardScaler()),
    ("regr", Ridge())
])

parametrs = {
    'regr__alpha': list(np.logspace(-5, 6, 12)),
}

lasso_cv = GridSearchCV(
    model_lasso,
    cv=5,
    scoring="neg_root_mean_squared_error",
    param_grid = parametrs
)

ridge_cv = GridSearchCV(
    model_ridge,
    cv=5,
    scoring="neg_root_mean_squared_error",
    param_grid = parametrs
)

lasso_cv.fit(X_train, y_train)
ridge_cv.fit(X_train, y_train)
lasso_res = pd.DataFrame(lasso_cv.cv_results_)
ridge_res = pd.DataFrame(ridge_cv.cv_results_)

print(-lasso_res['mean_test_score'].sort_values(ascending=False).head(1))
print(-ridge_res['mean_test_score'].sort_values(ascending=False).head(1))

2    0.72237
Name: mean_test_score, dtype: float64
5    0.722382
Name: mean_test_score, dtype: float64

Убедимся, что Lasso всё ещё зануляет признаки (скорее всего модель Lasso занулила хотя бы один).

In [51]:

lasso_cv.best_estimator_.named_steps["regr"].coef_

Out [51]:

array([ 0.84604739,  0.12597833, -0.26816238,  0.29792527,  0.        ,
       -0.04027369, -0.87740579, -0.84850035])

Выводы В первой части задания по линейным моделям мы должны были узнать: .

1. Зачем нужна регуляризация.
2. Как отбирать значащие признаки.
3. Кaк подбирать параметры линейной модели.

---

Во второй части мы будем применять линейные модели для классификации реальных данных, где мы сможем проверить наши выводы, полученные на искуственных примерах. А также убедимся в полезности нормировки и научимся работать с разными видами данных.