á áá
áœáá ááµá¥ ášááá¡á á²ááªá²á«á áµáá¶áœ á¥ááášáá«áá ááµáá«á áªáá¬áœá á°áá£á«áµ в ášá°ááá¢áŠáœ áááµ ááᥠá°áá£á (á áá á áááá ášáááµá²á ááᜠá°áá£á). ášáá«á á ááŽááá á áá áá ášáá°áá ááµá ááŽ, á áááµá²á áªáá¬áœá ááŽá áá°ášáµ, ášáªá³á« á°áá£á©á á¥ááááá ášáááµá²ááµ áªá³á«, ááá á áá á áááá ášáá¥á°áµ á¬áá°á áááªá«áᜠá áááµá²á áªáá¬áœá ááŽá ááµá¥ ášááášá¡á áµá á°áá£á á¥áááááá. .
ášáœáá ááááá¡-
- á áááµ á°áááá®áœ áá«ášá á«ááá áá¥á°á áááááµ á¥áá°áá á¥áá
- ášááᥠááááµá ááᜠááµáá«á áªáá¬áœá á°áá£á«áµ в ášáááµá²á ááᜠá°áá£á
- áááŠáœá á¥ááµáá á¥á á¥ááᣠášáááµá²á ááᜠá°áá£á
- áááªá«ááœá á ááááá¥á áµ áá áµáá¹ ášá«á¬áᜠáᎠááá áá¥á á¥áá°áá ááášá³áµ á¥áááá á°áá£á«áµ ášáááµá²ááµ áªá³á«
- á¥áá áááá ášáá°áá ááµá áᎠáááá°á ášááá« á°áá£á«áµ :
5.1. áá³á 1á¡ á°áá£á ášáááµá²ááµ áªá³á« ášááá áµá«á ááážá á¥ááᜠ0 О 1:
5.2. áá³á 2á¡ á°áá£á ášáááµá²ááµ áªá³á« ášááá áµá«á ááážá á¥ááᜠ-1 О +1:
áœáá ááá áµáá¶áœ á ááá áá á áášááµ áááµá«áµ ááá á ááá£ážá ááá áá³ááᜠá°ááá·á ᣠá á áá³ááµ ááá³áᜠá«áá©áá°á áá«áµááá ááœááᢠáµááá
á°ááá
ð
áá áœáá á ááœá áááªá« áá°ášá³á ááá®áœ áá ášááááªá« á°ášá á¥áááµ ááážá ášááᥠá³ááá²áµá¶áœ ášá áá ášá³á°á ááá¢
áœáá áá«ááœá á¥á áµáá¶áœá ááá³á á®áµ á«ááá£á. ááá á®áµ ášá°ááá á ááµá¥ ááᢠPython 2.7. áµá á¥á á áá ášááá á¥áªáµ âá á²áµááµâ á áµááµá á¥ááá»áá - áá á á£á ášá³áááá á®ááµ áááá á áá± á áµá ááá³ áá ᢠYandex á á¥á©á á áá³ááá ášááµáá áá ášáµáá ááµ ááµášá áá Coursera, á¥á, á¥ááµá á¥áá°áááá±áµ, áá± á áá á®ááµ áá ášá°áá°ášá° áá.
01. áá¥á°á ááµáá á¥áá
á¥á«ááá áá ášá á á£á áááá«á³á áá-ášáá¥á³ ááµáá á¥ááááµ á¥á ášáááµá²ááµ á°ááµá¶ áá á áááá?
ááá ááá ááá áá! ášáááµá²á áªáá¬áœá ášááµáá ááá²áášá áá ášá°á«á«ááµ ááŽáᜠá áá± ááᢠá ááá á ááááᣠášááµáá«á ááá²áášá á°áá£á ášá³áááážáá á¥áŽá¶áœ áá°áá á ááᢠášá°áááá®áœ (regressors) . á á£á áªá«á± áá«ášá á«áá áááááµ áááá³á á¥á ášááá á¥áŽá¶áœ ááµáá«á. áµááá ášááá²áášá áµá - ááµáá«á. á á£á á á á ááá á á ááá ášáá ᣠášáááµá²á áªáá¬áœá ááŽá á á£á áªá«á± áá«ášá áá¥á°á áááááµ á¥áá³á á áá°á¥ áá ášá°áá ášá° áá ᢠá¥á ášááá á¥áŽá¶áœ . á¥áá áá, ááááá±.
á áµá±á²á® ááµá¥, ášááááªá«á áá³á, á¥á á¥á±, á áµááá, á á¥ááµ áá á«á áá áᜠáµá rectilinear á¥ááááµ. áœááá á áááááµ áá°áµ ááµá¥ á¥áá±á áá¥ááᜠá«ááá á ááµ áá³á á ááá - ášá áá á¥áá«á¬ á á®ááŽá áá á¥áá ("á°áá£á«á áªáá¬áœá áµáá°á", N. Draper, G. Smith). á¥áá áá á°áá á¥áááášá³áá.
á¥áá° ášáŠáá á á;
ášáµ - ášá áá á¥áá«á¬; - á®ááŽá , - áááá.
á£ááá áá® ášáŠá á áášáá«á á áááᥠá¥áááá±á á á°ášá£á á¥áááááá á¥á ááá«áµ á ááášáµ áá á°áµá°á«ááá. ášáá«á á«áá á¥ááááµ áá«á á¥áá«áá ÐŸÑ á ááá»á á á©á á¥á ááá á«áá° áá¥á°á ááµáá áá°á£á. "á¥á ááá á«áá°" á áá áááá«á±á ááá á¥áá³á ááááá± áµáááá á¢ááá, ášá¥á áá¬á¶áœ áµáᜠáµá á°á¶áœ ááá«ážá ááœáá, á¥á áµááá á áá«á áá á«ááµ áá¥áŠáœ á áµááá á ááµáá© áá ááááµá ááœáá, ááá áá á áááá° á ááªá«á áá á°áá.
áá«á 1 "á¥ááááµ ÐŸÑ Â»
ášáá á³ áµáá á®áµ
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import random
R = 13.75
x_line = np.arange(0,220,1)
y_line = []
for i in x_line:
y_line.append(i/R)
y_dot = []
for i in y_line:
y_dot.append(i+random.uniform(-0.9,0.9))
fig, axes = plt.subplots(figsize = (14,6), dpi = 80)
plt.plot(x_line,y_line,color = 'purple',lw = 3, label = 'I = U/R')
plt.scatter(x_line,y_dot,color = 'red', label = 'Actual results')
plt.xlabel('I', size = 16)
plt.ylabel('U', size = 16)
plt.legend(prop = {'size': 14})
plt.show()
02. ášááášá áªáá¬áœá á¥á©áá³ áááŠáœ á áµáááááµ
áá áá³á á¥áááášáµá¢ á á£áá ááµá¥ á¥áá á«áá á¥á á á áá³ááµ ááá³áᜠáá á áááµášáµ á á°á á³áªá á¥áµá ášáááá á¥áµáá ášááá°á á¥á« áá¥ááá á¥áá áᢠáµá«áá ááááá, áááµ ááá³ááœá á¥á» á¥áááášá³áá: ášá°á á³áªá áááá á°ááá á¥á á¥áµá©á ááááá áááá ááá«.
áµá«á á á£á ááá³á áá, ááá áá á áá áá³á ááµá¥ ááá ááá áá á á á¥áá³ááá áášá³áµ á¥ááœááá ááµáá«á áªáá¬áœá á°áá£á«áµá¥á á¥áá²áá ááášááá ášáááááµ á°áá£á áá áá áááŠáœá áááá¢
áá° áá³áá á¥ááááµá¢ á°ááá ášá á£á áá¥á á°á á³áªá á¥áµá©á ááááá á ášáá© ááá á¥áá°ááœá ááášá³áµ á°áœááᢠá á°áá³á³á áá, áá°áá°á ášá°ááá ááá, áá á¥ááááµ á á£á áá¥á°á áááá. ááá³á áš 60.000R á¥áµáš 200.000R áµášáµ á«ááá ášá°ááá ááá á¥ááá°áµ á¥á á á°á áá°á ášá°ááá ááá ááµá¥ ášáááá ááá« á á°ááá áá á«áá á¥áá áá¥á°á áá á¥áá á¥ááµá¥á¢ áá°á áá°á ášá°ááá áá á ášá°ááá á¥á ášááá« á¥ááá³ áš 3 á á³áœ ááášáµ á¥áá°áááœá á¥á á°á á³áªá á ááá 5.000R á áá á£á áá« áá«á á¥áá³áá áµ á°ááážá¢ á¥á á áá ááá³ ááµá¥ á¥á», á°á á³áªá á¥áµá©á áá° á£áá á¥áá°ááááµ á¥áááá³áá. ášáá« ášááášá áªáá¬áœá á¥á©áá³ á á¹á áááµá³áá¡-
ášáµ , , , - á°ááá á°á á³áªá ᣠ- ášá¥áµá ááá« á°á á³áªá.
ášá°ááá á¥á ášá¥áµá ááá«á á áá áááªá«áᜠáá° á¥á©áá®áœ áá°á«áµ á¥áµá áááµá áµ ááá ááášáášá ááá°á ááœáá.
áá° ááµ áµáááášáµ, áá°á°á¡áµ áááªá«áᜠá¥ááµá°áááá ááµáá«á áªáá¬áœá á°áá£áááµá¥ á°á°áá¥á¯á ášáááµá²á ááᜠá°áá£á«áµ á¥áµá©á ášáááá á¥áµááœá áááá°á áµáá¶áœá ááá«ááµ á áµážá᪠ášáá áµááá á¥áŽá¶áœá á«áááá. áµááá ášáá áá¥á á 25.000 áá áááááµ á³á á·áᢠá Coefficients ááµá¥ ášáá ááá¥, á¥áµá ášááµá áµ áá³á á áááá¥á. áá áá á áá³ ááá°áá± á¥ááµá³ááµ á¥á á áá áµá áá á¥ášá°ááááá á¥áá³á ášá áá ááá áááµášá ᣠáá á°á© ášááœá á¶áµáµ á°áᜠáá á«ááá ááá³ á¥ááµá¥á¢
á áá ášá¥ 1 ááá ášááœá á°á á³áªááœ
á°áá ášá¥ áááá á á®áµ
import pandas as pd
r = 25000.0
w_0 = -5000.0/r
w_1 = 1.0/r
w_2 = -3.0/r
data = {'The borrower':np.array(['Vasya', 'Fedya', 'Lesha']),
'Salary':np.array([120000,180000,210000]),
'Payment':np.array([3000,50000,70000])}
df = pd.DataFrame(data)
df['f(w,x)'] = w_0 + df['Salary']*w_1 + df['Payment']*w_2
decision = []
for i in df['f(w,x)']:
if i > 0:
dec = 'Approved'
decision.append(dec)
else:
dec = 'Refusal'
decision.append(dec)
df['Decision'] = decision
df[['The borrower', 'Salary', 'Payment', 'f(w,x)', 'Decision']]
á á°áá ášá¡ ááµá¥ á£áá áášá áá°ášáµ, á«áµá«, áš 120.000 R á°ááá áá, á ášáá© á 3.000R ááááá á¥áá²á áááá±á á¥áµá ááá á ááááá. á¥áµá©á áááœá°á ááµááá, ášá«áµá« á°áá ášááá«á áá á ášá¶áµáµ á¥á¥á á áá ááá á áá áµ, á¥á á ááá 5.000R ááá á áá áµ. á«áµá« áá áá ááµáááµ á«ááá- . 106.000R á¥áá³á ááá«áᢠááá á¥áá³á á²á°á ááµáá áááµáᢠ25.000 áá, áá€á± á ááµ áá - á¥áµá© ááááµ ááœáá. Fedya á¥áá²á á¥áµá ááá áá ᣠáá áỠᣠááá á¥áá³á á¥á ášááá á á¢ááá ᣠášááᥠáááá±á ááµá°á«ášá á áá áµá¢
ááá áá³á áá«á á¥áá³á.
áá á³ 2 "ášá°á á³áªáᜠáá°á£"
ášáá á³ áµáá á®áµ
salary = np.arange(60000,240000,20000)
payment = (-w_0-w_1*salary)/w_2
fig, axes = plt.subplots(figsize = (14,6), dpi = 80)
plt.plot(salary, payment, color = 'grey', lw = 2, label = '$f(w,x_i)=w_0 + w_1x_{i1} + w_2x_{i2}$')
plt.plot(df[df['Decision'] == 'Approved']['Salary'], df[df['Decision'] == 'Approved']['Payment'],
'o', color ='green', markersize = 12, label = 'Decision - Loan approved')
plt.plot(df[df['Decision'] == 'Refusal']['Salary'], df[df['Decision'] == 'Refusal']['Payment'],
's', color = 'red', markersize = 12, label = 'Decision - Loan refusal')
plt.xlabel('Salary', size = 16)
plt.ylabel('Payment', size = 16)
plt.legend(prop = {'size': 14})
plt.show()
áµááá , ášá¥á áá¥á°á ááµáá, á á°áá£á© áá°ášáµ ášá°á°á« ᣠâáá¥áâ á°á á³áªááœá áš âá¥á©â ááá«áᢠáááá³ážá ášáœáá³ážá áá ášááá£á£á á°á á³áªáᜠášáá¥á³ ááµáá (áá») á áá áážá, á¥áá° ááŽááœá áááªá«ááœ, á¥áµá©á áááá ášááœááµ, ášáá¥á³ ááµáá (Vasya á¥á Fedya) á á³áœ áážá. á áá ááá« áá á áááµ á¥ááœááá - ášá¥á ááµáá á°á á³áªááœá á áááµ áááᜠáášááá. á¥á á¥áá°áášá°áá á¥áá ááážááá: áá° ááá á¥áµá©á áááá ášáááá ááµáážá á«áážáá á°á á³áªáᜠá¥áášááááá ááá á¥áµá©á áááá ášáááœááµá á á á³áªáᜠá¥áá«áµá³ááá¢
ášáá ááá áá³á áá°áá°áá«áá¹á á¥áá ááá. á ááµ áá¥á¥ á¥ááá°áµ á¥á ášáá¥á¡á ááá áá«áᜠáá° áá¥á³ ááµáá á°áá³á á¥á©áááµ á áá°á«áµ á¥áµá² áŠáµáµ á áá«á®áœá á¥áááášáµá¡-
- áá¥á¡ á ááµáá© áµá ášáá, á¥á áááá á¥áááµá£áá , ášáá«á ášá°áá£á© áá áš á ááá³á áááá áá° . áµááá á¥áµá©á ášáááá á¥áµá á ááµá¡ á¥áá³á ááááµ á¥ááœááá . ášá°áá£á© áµáá áá, á¥áµá ášá á«á áááá.
- áá¥á¡ ášááµáá© á áá ášáá á¥á áááá á¥áááµá£áá ááá , ášáá«á ášá°áá£á© áá áš á áá³á áááá áá° . ášáá«á áá³ ášáááá á¥áµá á ááµá¡ á¥áá³á á¥áááá³ááᢠá¥áᣠášá°áá£á© áá±á áá á ášááš áá á á á«áµ áá°ááááœá áášáá«áá¢
- áá¥á¡ áá¥á³ ááµáá áá áá, á áááµ áááᜠáá«ášá á£áá áµáá á áá. á áá ááá³, ášá°áá£á© áá áá á¥á©á áááá á¥á á¥áµá©á ášáááá á¥áµá áá .
á ááᣠáááµ ááá®áœ á³ááá á á°ááá ášááá á©á£ á°á á³áªááœá£ áŠáµáµ á³ááá á áºáᜠášááá á© á¥áá³áá á¥ááµá¥á¢ ášáá« áá¥á³ ááµáá ááá³ ááášáá m-dimensional á áá®ááá á¥á á®ááŽá²á á¥á ášá£áªá«á á ááá°áµá ᣠáá á ááá á áᜠáá ášáµ á¥ááá£áá ᣠá¥á á¥áµá©á ášášáá ááá á«áášáá á°á á³áªáᜠáá á á°á á«áá áášá áá ášáµá¢ á¥á á á¥ááá¥á£ á áá á°á á³áªááœá ášááááᥠááááœáá á ááµáá ášá³áá áá á¶áœ áá ááᢠ. á¥áá° á¥ááá± ášáá, ášáááµá²á áªáá¬áœá ááŽá á°áá£á áááªá«ááœá áááá°á á áµááá áá , ááá á ášáªá³á« áá á°áá£á ášáááµá²ááµ áªá³á« áá° áá á°áá ááá£á ááášáá. ááá áá á¬áá°á© á¥ááŽáµ á¥áá°áá°á , á á ááá¹ 5 á ááá ááµá¥ á¥ááááá. á¥áµášáá«á áµášáµ áá° á°áµááá± ááµá á¥áááá³áá - áá£áá«áœá á¥á áá¶áµá± á°áá áá¹á¢
áá°áá£á© ááµáá ááá£á áá á¥áµá áá°á¥ á¥áá°ááœá á¥á áá áášáášá á¥áá³áá áµ á¥áááááᢠááá áá á á¥áá°áá á áááµ áášá áá° á³áá¬áá°á áááµ á ááœáá, áááá«á±á á á¥á«áá³áá± á°á á³áªá á¥áµá©á ášáááá á¥áµá ášá¥á áá«áá áµáááá áá. áá áááµášá? ááá± ááá áá - á°áá£á©á á áá ááááµ áááᥠá«áµááááá á¥áŽá¶á¹ á ááá ááµá¥ áááá á¥áŽá¶á¹ á ááá ááµá¥ áá°ááá á°áá£á . á¥á á¥áá°áá á áááµ á°áá£á á á, áá£áá ášáááµá²á ááᜠá°áá£á ááá ášá°ááá¢áŠáœ-áá ááá¥. áááááµ:
á°ášá á á°ášá á¥ááŽáµ á¥áá°áááµ á¥áá ášáááµá²á ááᜠá°áá£á. áá° á°áá«áá á á á£á« á¥áá°ááááµ áᥠáá á, áááµá. á áá«ášáážá á«ááá ášááááááµ á¥áŽáµ á¥ááááá á¥áá á¥áááá³ááᢠáá° á¥á ášáá« áá áá áá ášá á ááá ášáá¥á®áœ ááá áá "á¥ááµáá³ááá" áá° .
03. ášáááµá²á ááᜠá°áá£áá á«áá
á°ášá 1 ášáááá³ á¥áŽá¶á¹á áá° ááá áááá¡
á á°áá£á«á ááᥠáá в ášáááµá²á ááᜠá°áá£á ášáá¬á²áµ á°áá³áá á¥á»áá á¥áá°ááá ᣠá¥á á ááµá© ááœáá á°áªáᜠááµá¥ á¥áááááᢠá áᣠá á¥ááá¥á£ á ááá«áááᣠášááµá áá áá á¥áá« ášááá»á áµááá ááᣠááá³áᣠááµá áš 4 á¥áµáš 1 ááᢠááµáᣠáááá ážááŸáœ ášáá«áááᣠâáµá¬á¶áœâ á¥á âááµáá¶áœâ á¥ááá³ áážáᢠâ á áááµ á°ááá¯áᢠášááá³áᜠá áááᣠááµáᜠááá á± á¥áá³áášá°áµ á áá°ášáá ááµá á°ášááá ášáášá°á± ááµá ááᢠá ááµ ááµá°áµ ášáášá°áµ á¥áµá áááá á¥ááá :
ášáµ ášááá á± ááµá áá ᣠ- ášááµá°á± áášá°áµ á áá°áá ášááá á¥áµá
ááá³á âá¬áŽá®áâ ášáá á áœá áµá á«áá áá£áµ á áá«á« á¥á á᪠áášáµ âáá²áá³â ášááµá£á á á®áá·á á¥á á áášá« ááµáµá áá ášááá³áµ á¥áµá á¥á©á ááᢠ, ášáá« á Veterok ášáµá¬áµ á¥áµáᜠáááá к á¥á á á°áá«áá, ááµááœá á ááá , á¥áµáá áááµááµ áá¥á á áµážá᪠á áááá :
áµááá ᣠá¥áŽá¶áœá áá° áááµá± á¥áµáᜠâáá°áááâ á°áášáá áá° . á¥áµá² á ááµ á°ášá᪠á¥ááá á¥ááá°áµ á¥á ášá á ááá ášáá¥á ááµáá áá á«ááá ááµá á¥ááŽáµ "á¥áá°á°á°ášáá" á¥ááá áá° .
á°ášá 2 ášáááá³ á¥áŽá¶á¹á áá° ááá áááá¡
áá á¥ááá á á£á ááá áá - ášá¥áµááœá áááªáá áá° á¡áá áá¥á áá ášáµ á¥áááµá³áá á¥á á«áá:
ášáá á áá á¥ááááá , ášáá«á á¥áŽá±á á áµá á á£á ááá áááá á¥á á á°ášááªá, á ááá³á ááá á áá áµ: . áá á¥áááµ áá.
áááááµ á²á£áᣠášáá á¥áášááá£ááᢠ, ášáá«á á áá³á á¥áŽáµ ááášáµ á¥áá á¥ááá . á¥á á¥áááµá»ááá¡- . á°á á.
á áá ášáá®á£á¢áá² á¥áŽáµá á¥ááŽáµ á¥áá°áá°ášáá á¥ááááá áá° á á á ááá ášáá¥á ááµáá áš áá° . á ááá¥áá á°ášá, á°áá«ááá á¥áá°áááá.
á¥áµášáá«á áµášáµ, á áááªáá á°ááŠáœ áá°ášáµ, ášá°áá£á©á áá ááá , ááµááœá ááµááµ ááœáá:
áá ááµááœá ášááá°á áᎠá ááá¥áá á°ášá áá á ááá.
á°ášá 3. áááá°á ááá á¥ááá£áá
áµááá á ááá á°áášááᢠ, ášá°áá£á á¥áŽá¶áœá á«áá . ááá ᣠá á¥ááᱠᣠáááá ááá á áµááá á°áá«á á¥áááááá - áááá ááá á áá . áá áá áááµášá áá° á°ááá¢áŠáœ ááµáᜠá°áá£á áá° á¥áá°áá ááááµ áœáá°-áá³á¥ á¥áážááá«áá ᣠá áá áá ášáµ-
á áœáá ááµá¥, ášáá á«ááá ááá á áááµáµá, ááá áá ášáá á«áá áá³á áá¥á®áœá á¥áááµá»áá. áš 4 á¥áµáš 1 (áš XNUMX á¥áµáš XNUMX) ááµáᜠá¥áá³á á¥ááááá), ášááµá°á± ášáášá°áµ á¥áµá 0.8 áá (). ááµá á¥áá¥á«á¡- . áá ášáá°ááµ áµáá¶á»áœá áá áá£á£áá. á¥ááá¥áááá¢
á áášášá»á á°ášá á«áá á áá¥á°áá áá á áááµ á á°ááá¢áŠáœ ááµáᜠá°áá£á áá ááᥠááµášá á¥ááœááá áááµ ááᢠá¥áááááá¡-
ááá±áá á ááá á¥á á°ášáá á , ášáá«á:
áá¥á«áá³áá± ášá¥á³áµ á á°á á°á«á°á, á ášáµááá áŠá³ áá áµá á°áµ á¥áá³áá°á«á ááášááá¥, á ááµ á°ášá᪠áµáᜠáŒá á¥áá°á«áá. á á°ášá 2, á¥á áááá ááµáá . ášáá«á á¥áŽá±á á áá°á«áµ áá° áááµá²ááµ ááᜠá°áá£á, á¥áá°áááá á¥áá á¥ááá . áá°á© á¥á á«ááá¡-
á¥áá³á á°áµ á«áá ᣠááµ á áá£á¢ ᣠá áá ášáááµá²ááµ ááᜠá°áá£áá á áá¥á°áá á¥á ááášááᢠášá°áá£áá áá«á á¥ááá¢
áá«á 3 "ášáááµá²á ááᜠá°áá£á"
ášáá á³ áµáá á®áµ
import math
def logit (f):
return 1/(1+math.exp(-f))
f = np.arange(-7,7,0.05)
p = []
for i in f:
p.append(logit(i))
fig, axes = plt.subplots(figsize = (14,6), dpi = 80)
plt.plot(f, p, color = 'grey', label = '$ 1 / (1+e^{-w^Tx_i})$')
plt.xlabel('$f(w,x_i) = w^Tx_i$', size = 16)
plt.ylabel('$p_{i+}$', size = 16)
plt.legend(prop = {'size': 14})
plt.show()
á áµá-áœáá ááµá¥, ášáá á á°áá£á áµá á¥áá° ááááµ ááœáá sigmoid á°áá£á. áá«á á ááᜠášáá«á³ášá ášá ááµ ááá áá¥ášáµ ášáá ááá ášááá á¥áµá áá á«áá áááá ááᥠá á áá»á«á ááá³ á²á³á á ááµá°á á áá ááá ááµá¥ áá ᣠášáá áŠá³ áá° .
áá° áá¬á²áµ á°áá³á áááááµ áá³á¥ á ááá£áá á¥á á¥áµá ášáááá á¥áµáá á ááµááµ á¥áá²ášá³á áá³á¥ á ááá£áá ᣠá áá ááá« á«á ááªáášá ášáá°á á á°á á áá ð
á áá ášá¥ 2 ááá ášááœá á°á á³áªááœ
á°áá ášá¥ áááá á á®áµ
proba = []
for i in df['f(w,x)']:
proba.append(round(logit(i),2))
df['Probability'] = proba
df[['The borrower', 'Salary', 'Payment', 'f(w,x)', 'Decision', 'Probability']]
áµááá á¥áµá©á ášáááá á¥áµáá ááµáááᢠá á á ááá áá á¥áááµ áááµáá.
á á¥ááá¥, á«á³á«, 120.000R á°ááá á«áá, á ášáá© 3.000R áá£áá áááá ášááœáá áµ ááµá áá° 100% áá áá. á ááá«áœá áá ášá£áá© ááá² ááá³á áš 0.3 á áá á¥áµá ášáááá á¥áµá ááážá á°áá áᜠá¥áµá áááµá áµ á£áá© ááá» á¥áµá áá°á¥ á¥áá°ááœá áášá³áµ á áá¥á. áá á áá ááá³, á£áá© áášá°á± áááœá áªá³á«áᜠáµáá áá á£á áá« ááá¥á«á.
á á°ášááªá ášá°ááá á¥ááá³ á¢á«ááµ 3 ááá« á¥á áš 5.000R á á³á áá ášá£áªá«á áá á¥áá°á°áá°á° áᥠáá£á ááá£á. áµááá , ášáá¥á°áµ á¬áá°áá á ááááªá«á ááá áá áá á áá»ááá . á¥á«á¶á¹á á ášáá°á ááá³ ááááµ áá ášá¥á á¥á á áá ááá³ á¥á«áá³áá±á á®áážá á 25.000 á¥áá«áááá, áááµá, áá€á±á á áµá°á«áááá. ááá áá áá áá á°á¥á ášá°á°ášáá á ááá» á°ášá áá á«ááá ášáá³ááµ áááá€á ááááá áá. á á ááá³áœá ááµá¥á£ á¥áá±á áááááµ á¥áá á áá á¶áœá ááá á á¥á ááµá°á«ášá á á«áµáááááᢠáá á ááá¥ááµ ášá ááá¹ áááᜠááµá¥, áááªá«áᜠášááášá¡á áµá á¥á©áá³áᜠá¥ááá£áá .
04. ášáá¥á°áµ á¬áá°áá áááá°á á ááµá°á á«á¬áᜠáᎠá áááµá²á ááᜠá°áá£á ááµá¥
ášáá¥á°áµ á¬áá°áá áááášá¥ á¥áá²á áááá±á áᎠá áµááµáá á áááá , á¥áá° áµáá¹ á«á¬ áᎠ(LSM) á¥á á á¥ááá±á£ ááá á áááµá®áœ áá°á£ áœáá®áœ ááµá¥ á áá ááá áµá? á á¥ááá¥, ááá ááá ášáá áá ášáášáááááµ ááá ášáá á€áá€áá², á áá°á£ áœáá®áœ ááµá¥ áá áᎠá¥á» ášáµááááá á«áá° áá€á¶áœá áá°á£á ášáááµá²ááµ áªá³á«. ááá ášááµá áá³á¥ áášááá« á á. á ááááªá« á ááµ ááá áá³á á¥áááášáµá¢
ášá¥á ááŽáᜠ(á áá áá MSE О ášáááµá²ááµ áªá³á«) ášáá¥á°áµ á¬áá°áá á áµááµáá ááášá¥ ááášáá á¥á áµáá±á á á°áá°á á°ášá á áááá. á áá«ášááá ᣠá áášášá»á ááá á ááááá«á áá ááá áœáá ášááá ᣠááá ááá ááµááá ášáá¥á°áµ á¬áá°á á áá³ááµ á¥áŽá¶áœ á áá á¥á á áá á°ášá ášáá¥á°áµ á¬áá°á á¥áá áᢠáááá±á ááŽáᜠááá áá©ááµ ášáážáá. ášáá«á ášá°áááµá áá¥á°á¶áœ á¥áááµá³áá á¥á áá° ááµá¥ á¥áá°á«ážááá ášáááµá²á ááᜠá°áá£á () áááá áá¥ášáµ ááá á áá³ááµ ááá®áœ . á á°áášá á ášáá¥á°áµ á¬áá°á áá°ášáµ ášá¥á ááŽá á á£á ášá°á³á³á° á¥á á á°áá«áá - ááŽá ááá ášááá áááá á á¥á¥á á áá°ááá áááµ áá³á®áœá á¥áá á . á áá ááá áµ áá áá ááááµ á á£á¶áœ "á¥áá°áá°á¡" á¥áá á€áá€áᲠО ášáááµá²ááµ áªá³á«.
á¥á á áá ášááá ášáªá³á« á°áá£á áá á áááµášáµ á á£á¶áœá áááµááµ á®áµ
# клаÑÑ ÐŸÐ±ÑекÑа
y = 1
# веÑПÑÑМПÑÑÑ ÐŸÑМеÑÐµÐœÐžÑ ÐŸÐ±ÑекÑа к клаÑÑÑ Ð² ÑППÑвеÑÑÑвОО Ñ Ð¿Ð°ÑаЌеÑÑаЌО w
proba_1 = 0.01
MSE_1 = (y - proba_1)**2
print 'КÑÑÐ°Ñ MSE пÑО гÑÑбПй ПÑОбке =', MSE_1
# МапОÑеЌ ÑÑМкÑÐžÑ ÐŽÐ»Ñ Ð²ÑÑОÑÐ»ÐµÐœÐžÑ f(w,x) пÑО ОзвеÑÑМПй веÑПÑÑМПÑÑО ПÑМеÑÐµÐœÐžÑ ÐŸÐ±ÑекÑа к клаÑÑÑ +1 (f(w,x)=ln(odds+))
def f_w_x(proba):
return math.log(proba/(1-proba))
LogLoss_1 = math.log(1+math.exp(-y*f_w_x(proba_1)))
print 'КÑÑÐ°Ñ Log Loss пÑО гÑÑбПй ПÑОбке =', LogLoss_1
proba_2 = 0.99
MSE_2 = (y - proba_2)**2
LogLoss_2 = math.log(1+math.exp(-y*f_w_x(proba_2)))
print '**************************************************************'
print 'КÑÑÐ°Ñ MSE пÑО ÑОлÑМПй ÑвеÑеММПÑÑО =', MSE_2
print 'КÑÑÐ°Ñ Log Loss пÑО ÑОлÑМПй ÑвеÑеММПÑÑО =', LogLoss_2
ášáµá á°áµ áá³á - ááŽá áááá ášááá áá á«ááá³á áš 0,01 ááµá áá
á
á£áµá á°á áá á€áá€áá² áááá:
á
á£áµá á°á áá ášáááµá²ááµ áªá³á« áááá:
á áá«á« ášáá°ááá áá³á - ááŽá áááá ášááá áá á«ááá³á áš 0,99 ááµá áá
á
á£áµá á°á áá á€áá€áá² áááá:
á
á£áµá á°á áá ášáááµá²ááµ áªá³á« áááá:
áá áá³á á áµáá áµá á°áµ ášáªá³á« á°áá£á áááá á ááᣠá«á³á«á ášáááᥠááµá³áá» áá¥ááµ ááŽáá ášá áá á«áµáá£á MSE. á áá ášáªá³á« á°áá£áá ášáá áá ááµá áá³á£á á³á« áá á¥áá°áá á¥áášá³ ášáááᥠááµá³áá» áá¥ááµ á ááµá¥ áœáá®áœ ááµá¥.
05. ášáá°áá ášááµá áᎠá¥á ášáááµá²ááµ áááá»
ááááªá« áá áá á¥áá°áá£áá áœáá á ááá áá³ááᜠášá°áá ááᢠá áµá±á²á® ááµá¥, áá áá³á á¥á ášáá© á¥ááá¶áœ - ášá£áá á°á á³áªááœ: Vasya, Fedya á¥á Lesha.
ášá áµá°ááá áá áááá ᣠá ááµ áá³áá ášáááááµá á áᵠᣠá á áááµ ááµá¥ á áºáᜠááá á ááá®á ášááá á© ááááœá á á áµá ááá á áá¶áᜠášááá á© á£á áªááœá á áá°áá á áá á¥áá³áá ááµá³ááµáᵠᢠáááᣠá¥áá áá¥á®á¹ ášááá°á±áµ á áá᪠á³á³ á¥áá³ áá«áª á«áµ ááµá¥ á ááá á¥áá²áá£á á ááá¢
áá° áá³áá á¥ááááµá¢ á¥ááµá¥ ášá£áá© á³áá¬áá°á ááá» á¥áá³áá°á¥ áµáá° ááá á¢á°á¥á áá°ážáá©áµ áá á¥áµá áááµá áµ ááµááᢠá¥á á áá á á áá á ááá á¥á ášá¶áµá± áááᜠáá«ášá ášáµáá á¥áµá á¥áá°ášáá á¥á áá á¥áá³áášáá á áááá. á¥áá°á°á á áá: Vasya á¥á Fedya á¥áµá©á ášáá, ááá áá áá» á áááá°á. á áá áá áá€áµ áá¥á á á²áµ ášá¥áá á ááá á¥áá°ááá á¥ááµá¥ á¥á á á°áá³á³á áá á¥áµá©á ášáááá á¥áµá áá á°áœáá á áá«á³áµá© áááá«á¶áœ áá áááá áášááᜠá«á£á áááµáá (ášá°á á³áªá á°ááá ᣠáááá ááá«)ᢠášáá«áᣠá ááµá°ááᣠá¥á«áá³áá± á¶áµá°á á°á á³áª á¥áµá©á áá£áá á áášááá ááá á áá á áááá á ááá¥áá á°á á³áªá á¥áµá©á ášáááá á¥áµá á á á¥áá ááááµ á¥ááœáááᢠ. áá áá³áá ášááœá áááµ ášááµá áá³á£á áášááá« á«áá á¥á ášá°áá°ášá° áá ášáá°áá ááµá ááŽá£ á¥á áá á á¥á-áœáá ááµá¥ á°á á á·á ášáá°á ááµá ááá .
á ááááªá« ᣠášáœáá°-áá³á£á áá£áªá« áá á¥áá°ááá á¢
ášááá ááµá á¥áá²á áááá±á ááá ášáááᵠᣠá¥áá°áá á«á ááášá³ááœá / áá€á¶áœá ášááááµ ááµá áá ᣠáááµáᢠášááááá á¥á«áá³áá±á áá€áµ ášááááµ á¥áµáᜠáááµ (ááá³á ᣠVasya ᣠFedya á¥á Lesha á¥áµá áášááá ááá á á°áá³á³á áá á áášááá)á¢
ááµá á°áá£á ášááááá ááµá ášáµáááµ áááªá«áᜠá¥áŽá¶áœ áá á«ááá³áá¢
á á¥á áá᳠ᣠášá¥áá á ááá á á ááá ášá€ááá á¥á áµ áá ᣠá áá ááµá¥ ášáááá° á°áááá áááµ á¥áŽá¶áœá á¥á» áááµá³áᢠááá . áµááá , ášááá ášááá á¥áµá á¥áá° áááªá«á á°áá£á áá»á ááœáá á¥áá°áášá°áá áááá;
ášáá á«áá áá€áµ á¥áá°áášá°áá áá°ášáá ááœáá. Vasya á¥á Fedya á¥áµá©á ášáášááá áµ ášáá« ááµá ááᢠáá» á¥áµá©á ášááášááá áµ ááµá á¥á©á ááᢠ(á¥áµá© áááá áµááá»á) ášáŠáµá±á ááááᜠášáá« á¥áµáážá á¥á©á ááᢠ.
ášáá°áá ášááµá áᎠá áá¥ááµ á«áá³áá áááªá« áááááµ áᎠááᢠááµá á°áá£á«áµ. á á¥á ááá³, á¥áá°áá á áááµ áá ááááµ á áá¥á á ášáµáá ášáá°á á°ášá áá áá°áá³á.
áá³á¡ á á¥ááá± ášášáµ áá ášáá£á - ášááá³áá áá€áµ ááá ááááá á¥áµá á°áá£á© ášáá°ááá á°ášá áá áá°áá³á? ášáá³á¡ á áá£á¥ áááá áµá á áᥠá¥ááµ á«áá ášá¥áááµ ááá á¥á» áá ášááá á¥á³á€ ášáááš ááᢠáµá ááᥠáá¥á ášááááá ááá áá á ááá ááµá¥ ááá§áᢠáµááá , áááá ášáááœáá áááá áá¥á á«áá ášá áᥠá¥ááµ áµáááá áážá¥á«á áá. áµááá , á áá á«áá ááá á á£á ášáá»áá áµ á¥áá²á á áááµ áááªá« ááááµ á áá¥á.
á ááᜠááášáµ á¥áá°áá»áá, ášá°áá£áá ášáá°á áá¥á¥ áááááµ á áá«áµáááá áµ ášááá»ážáµ áœáá ááµá¥ á¥ááááá. áœááááá áá¥á¥ áááááµ ášááááªá«áá á á°á á°ášá°á ááá³ áááµ ááµá¥ ááµáá£áµ á áµááá áá, áááµá ášá°áá£á©á á áá£á¥ ášáá® áá ááá³á°á á¥á áá°áááá áááªá« á¥á©áá³áá ááá³áµ. ááá á¥áá ášá¥á áááá«á¶áœá áááµ áááááµ áááá ášáá á«á ááá ááá ááœáá, áá áá áááµáášáµ, áá© á¥áááµ á á - áá° áááªáá áœááá. ááµá á°áá£á«áµ. ááá á¥áá°áá á áááµ áœááá áá»áá? ášá°áá£á©á áœáá áááá á áááááœáá áµá©ášáµ á¥ááµá¥, á¥á áœáááá áá¥á¥, áááµá, ášááá³áá áááªá« áá á ášáµáá ášáá°á á°ášá áá áá°áá³á. áá° áááªáá á áá«ááá áµ áá, áááªáá á ááµ áá á á°áá£á áµááá, áœáá áá¥á¡ á áááá¥á (ááá á¥áá³á áœáá á¥á«á± ášá°ááš áááá).
ášáá á á°á áá°á áá°ášáµ áá³áá«áœáá ášá«áµá«á£ ááŽá« á¥á áá» á á¥áµá áá³á á á¥ááá¥áᢠáááááᣠáá°áá á¥áááµ ášááµá á°áá£á áááªáá:
á áá á áááá¹á ášá áá¥á®áµ áá á ááá ááášáµ á¥ááœááá :
á¥á á áášášá»á ᣠášá áá°á á°ášááá ááá³ áááµ ááµá¥ á«áµáá¡ - ášá°áá£á©á á áá£á¥ ášáá® áá á¥áááá á«áá-
áµááá ᣠášá¥áµá áááá á¥áµááœáá ááááᥠášááœá áááµ á ááµá áá³á¥ ážáµááá¢
á á£á á¥á©á£ áá á áá á áá áášá áá á¥áá°áááá? á¥á«áá³áá± á¶áµá°á á°á á³áª áááá¡á áá° á£áá á ááááµá á¥áá á«á°á¥á ášáááá á°áá ááá°á© ášáááá ááᢠá¥áá°áá« áá, ááá áá á¥áµáá á¥á©á ášáááá á¥áµá á²áááá á¥á» áá á á¥áµá© ááá« áá á°áœáá ášáá«á³áµá©áµá ááá®áœ áááµ ááµá¥ á ááµáá£áá-ášá°á á³áªá á°ááá á¥á ášáááá ááá« áá á. á¥ááá á á°áá³á³á ááá³áᜠášáááµ ááµá¥ á ááµáá£áµ á á¥á«áá³áá± á°áá á á¥áµá ášáááá á¥áµáá áá°á á¥áá á áµáá°ááᢠášá¥á ááµáᜠášáá á¥á©áááµ ášá°áá© áááážá áááá«á³á ááᢠ.
ášááááá¹ á¥áµáážáá á¥ááá á¡-
ášáááááœá á¥áµáᜠáááµááµ á®áµ
from functools import reduce
def likelihood(y,p):
line_true_proba = []
for i in range(len(y)):
ltp_i = p[i]**y[i]*(1-p[i])**(1-y[i])
line_true_proba.append(ltp_i)
likelihood = []
return reduce(lambda a, b: a*b, line_true_proba)
y = [1.0,1.0,0.0]
p_log_response = df['Probability']
const = 2.0/3.0
p_const = [const, const, const]
print 'ÐÑавЎПпПЎПбОе вÑбПÑкО пÑО кПМÑÑаМÑМПЌ зМаÑеМОО p=2/3:', round(likelihood(y,p_const),3)
print '****************************************************************************************************'
print 'ÐÑавЎПпПЎПбОе вÑбПÑкО пÑО ÑаÑÑеÑМПЌ зМаÑеМОО p:', round(likelihood(y,p_log_response),3)
á áá áá ášááá á¥áµá :
ááá³ááœá ášáááµ ááµá¥ á ááµáá£áµ á¥áµá ášáááá á¥áµáá á ááµááµ ášááµ ášááá á¥áµáᜠ:
á ááá³áᜠáá á áááµášáµ ášáá°áá ášááá ááµá ášáá ášááá á¥áµáážá ášá á«á ááᢠáá ááá? áá ášáá«á³ášá ášáááá«á¶á¹ á¥áááµ áá¥á«áá³áá± á°áá á á¥áµá ášáááá á¥áµáá á áµááá áááášá¥ á áµáœáá³áᢠáµááá , áá á¥áµá á áá°á¥á áµ áá, á á ááá¹ 3 á ááá áášášá» áá ášáá³ ááá«á ášáááá á¥áµáá áááááá ášáášá áá ááŽá áá áá ášá áá áµááá áááá.
áá ášáá«, ášá áááµášá ášáááá ááá ááµá á°áá£á, á³á²á« ááá á Vasya, Fedya á¥á Lesha, ááá³á áš 0.99, 0.99 á¥á 0.01 áá á¥á©á ášáá á¥áµá ášáá°á¡ á áá³ááµ áµáá° ááá®áœá á áµá ááá. áááá£áµ á¥áá²á áááá± áµáá° ááá á áµáá á ááá áá á¥á© áá€áµ á«áµááá, áááá«á±á ášááááá á¥áµá áá áá° á áᥠá«á°áááá. ááá ááᣠá ááááªá«á£ á¥áá²á áááá± áµáá°-ááá á á á ááá áœáá³á áá áœáá®áœ ááášá ááœáá ᣠá¥á ááá°á ᣠáá áµáá°-ááá á á¥ááá áááµ ááµáá«á á ááááᢠá¥á ášáá á á áá ááá£á áá (á á°áá³á³á á°á«á ášá á ááá áœáá³á) ášááá³áµ ááŽáᜠá áá áœáá á¥á áµ ááµá¥ á«áá°á«á°á±, ááá°ááá áá¥á¥ á á áá áááá á¥áááášá°á. áá áá áááµášá ááá á¥á«áá ááááµ á á áá. áá¥á ášáá³áááµá áááá«á¶áœ ášáááµ ááµá¥ á ááµáá£áµ áá«á³á« á¥á áááŽá« á¥áµá ášáááá á¥áµá á°áá³á³á ááá ááœáá? ášáµáᜠá áááá® á ááá, á á¥ááᥠá áá°áá, á ááœáá. áµááá , Vasya á¥áµá©á ááááá á áá 2.5% á°áááá áá°á£á, á¥á Fedya - 27,8% áááµ áá»áá. á¥áá²áá á á»ááµ 2 "ášá°áá áᜠáá°á£" á«á³á« áš Fedya ááá áááá¹á ášáááá áµ ááµáá á á£á ášá«á áááá á¥áá«áá ᢠá áášášá»á, á°áá£á©á á¥ááááá á Vasya á¥á Fedya ášá°áá«á© á¥áŽá¶áœá áááµá³á: 4.24 á Vasya á¥á 1.0 á Fedya. á ááᣠááá³á Fedya áµáá áµááá á«áá ááá áµáᜠá¥áµá ášá ášá á«á³á« á¥á ááŽá« á¥áµá©á ášáááá á°áá³á³á á¥áµáᜠááá¯ážááᢠá áá á ááááᣠášááµáá áááááµá áá³áá á áµáœááᢠá¥á ááµááœá á áµááá á«á°áá , á¥á ášá£á«á áá á ááá°á·ážáá, á¥áŽá¶á»áœáá á á¥ááá áááµ áááá á¥ááœááá á á¥á«áá³áá± á°á á³áª á¥áµá ášáááá á¥áµáá áááááµ á á°á»á ááá³ áááᱠᣠáá á«áá ášáá¥á®áœ áẠášáááµ ááµá¥ áááµáá£áµ áµáá°áµááá ášá°ášáááá á ááá á áᜠáá ášáµ áá ᣠášáá« á¥áá°áá« á¥áááá³áá - ášá¥á á°á«áá®áœ áµá á¥áµá ášá°á»á áááµ á¥ááµáá°á¥ á«áµáœááá ð
ááá áá á¥á á¥ááááá. á áá ááá ááµá¥ ášáá¥á°áµ á¬áá°á á¥ááŽáµ á¥áá°ááá°á áášá³áµ á áá¥á , áá á á á¥á«áá³áá± á°á á³áªá á¥áµá ášáááá á¥áµáá áááááá á áµááá áá.
á®ááážááµ ááááá ášááá áááá á ááŽáá á£áá© á á áá á áµáá :
1. á áááá á°áááá (ášáµáá á« áá) á¥á á áá€á± áá á°áœá¥á ášáá«á³áµá áááááµ áá«ášá á«áá áááááµ ááµáá«á áá á¥áá á¥áááá³áá. á áá áááá«áµ, áá°áá á«á ááµáá«á áªáá¬áœá á°áá£á ááá«áᜠááááœá (á°áá ááœá) áá° ááá ášáášáááá áµ ááµáá О ááá (á°áá áᜠá¥áµá áááá ášááœá á¥á á ááœáá). á á¥á ááá³, á¥á©áá³á á á¹ á áá .
2. á¥áá áááá ášá°ááá¢áŠáœ áááµ á°áá£á ááá«áᜠášá ááµ ááá á á«á ášáá ááá ášááá á¥áµáá áááá°á .
3. ášáá ášáµáá á ááá á¥áá° á á ááá áááဠá¥ááá¥á«áá ášá ááá á¥á á¶áœá£ áááµá áá¥á«áá³áá± ááá ᣠášáááá° á°áááá ááá á«á ᣠá¥á±á á áœáá³ (áá¥á«áá³áá± ááá ášá«á± ášáá) á¥áŽá±á 1 áááµá³á á¥á á áœáá³ - 0.
4. ášá ááµášá á¥áá³áá¥á á¥ááááá ááá ááµá á°áá£á á«ááá ááá á á£á á á³áá áááµášá á°áá£áááµ á«áážáá ááá®áœ áááµ ááµá¥ á ááµáá£áµ. á áá á ááááœ, ááááá ášá áá á¥áµá ášáá°á¡áµá áááªá«áᜠááášá¥ á áá¥á. á á¥á ááá³, ášá°áášá á áááªá« á¥áµá©á ášáááá á¥áµá áá , á¥á±á á ááá¹ á ááá³áá á áá á¶áœ áá ášá°áá°ášá° áá . áµááá á¥áá²á áááá±á ášáá¥á°áµ á¬áá°á ááááµ á áá¥á , á áá áá ášáááá á¥áµá ášáá°á áááá.
5. áá ášá ááµášá á¥áá³áá¥á á¥ááááá ááá ááµá á°áá£á«áµ áá áá ááœáá ášáá°áá ááµá ááŽ. á¥á ášáá áᎠáá áááµá«áµ áááá á áµážá᪠ááŽáᜠá¥ááááá.
á¥áá á¥áá°áá á£á á¥á ááááµ áá¯á ð
á¥á á áá á á ááá¹ ááááªá« áá áááµ ááááµ ášáªá³á« á°áá£á«áµá ááááµ á¥áá°ááááá á áµá³ááµ ášáááµá²ááµ áªá³á« ášááá®áœ áááᜠá¥ááŽáµ á¥áá°á°á°ášá áá á áááµášáµá¢ ášáááµ áááᜠáá á áá°á£ áœáá®áœ ááµá¥ ᣠáááᜠá¥áá° á°ááṠО ááá . á ááµá³áá»á áá á áááµášáµ áá€á± á°áá£á£á áªá³á« á°áá£á áááá.
áá³á 1. á áá ášááá®áœ áá°á£ О
áá°á á²á ášááááá á á³ááááµ á áááµáá áµ áá á á°á á³áªá áá³ ášáááá á¥áµá á ááá³áᜠáá á°ááµáᶠá¥á á á°áá£á£á áá á á°á°á¥á·á ᢠááá©á á°áá£á«á á áµááááá¡-
á á¥ááᥠáá áµááá ááᢠášáááµá²á ááᜠá°áá£á«áµ áá°áá°á áá¥á°áµ á¬áá°á
ášáá« ášááááá á¥áµá á°áá£á á áášá°áá ááá© ášáá»á ášáášáááá ááá ááá ášááá¢
á áá³ááµ áá áá áá³ááµ áá᪠á°áá³áᜠáá á°áá£á á¥ááŽáµ á¥áá°áá°á« áá²á«áá ááášá³áµ á áµážá᪠ááᢠáááá ááá ááᜠášáá«á°áá 4 á á«áá áá³áááœá á¥áááášáµá¡-
1. ášáá (áááµá á áµáá áá ááá áá°ášáµ á¥áá ášááá +1 áá) á¥á ášá¥á á áááªáá á ááµ ááá áááá ášááá°á¥ á¥áµáá áááµáá áš 0.9 áá á¥á©á áá ᣠášáá« áá ášááá ááµá áá«á á áášá°áá áá°áá
2. ášáá á , ášáá«á áµáá± áááá:
3. ášáá á , ášáá«á áµáá± áááá:
4. ášáá á , ášáá«á áµáá± áááá:
á ááá³áᜠ1 á¥á 3 ᣠááá á á á ááá ááá³ - á ááµá ááá á ááá ášááá°á¥ á¥áµáᜠá áµááá ášá°ááá± á¥áŽá¶áœ áá ášááá á¥áµá ášáá°á á¥áá°ááá ááᜠááᢠ.
á ááµá ááá áá° ááá ášáááášáµ á¥áµáá á áááµáá áµ áá áááá«áµ á¥á ášááááá ášáá¥á áá á á¥á» á áá°ááᢠ, ášáá«á á¥á á¥ááááážááá. ášáá á¥áá°á°á áá°á, áá á ááááªá« ášáá¥á°áµ á¬áá°áá á á°ááášá° ášá¥áµááœá á°áá£á á áá£á¥ áááá á«áá¥á ášááá»ážáµ áœáá áá. . ááá áá, áµá«áá á áµááµáá áááá áááá«á³á áá-ášáááªáá á áá£á¥á á¥áááááá. ááµá á°áá£á«áµ.
áááᣠáááªáá ášáá°á± á ááᣠááµá¥ ášáááµá²ááµ áµá á°áµ á°áá£á«áµááááµá ááášááᢠáá . ááá ááá ááá áá ᣠášá áá³á«á á¥á«áµá á ááááá á°áá£á«áµ ááµá¥ ášá°áá£áá áá ááááµ ášá°ááá° áµááá ᣠášááá ášáá áá á á¥á á áá áá ášáµ, ášáá³á°á ááá , á áá á°áá£á©á á¥áááá³áá.
á á¥ááᱠᣠá áá ᣠá áááá áᵠᣠášáá¥ááµ á°áá£á© á¥á á°ááµáá - ášáááµá²ááµ áªá³á« ášáááµ áááᜠáá ááµáá á ááá: О .
á ááᣠá áááœá áááááµá£ á°ááœáŠáá á¥á» ááááµ á áá¥á ášáááµá²ááµ áµá á°áµ á°áá£á«áµ á¥á á¥áá° ášáá«á²ášááµ ááášá ááá áµá¶á«áµá²á á áááµ áááááµ á«á ášáá¥á áá»á»á« ááŽááœá á áá áá á¥á á á á£á á¥á©áá á®áážá á«ááᢠ. ááá áá ᣠášáœááá ááµáááá áµáá áá á ášáááµ ááµá¥ á ááµáá£áµ ᣠáá©ááµá á á«áµá ááášááá ááášá«á ᣠááá áááá£áµ á¥áá°áá á«á áááá áá³ááᜠá³ááá© á¥á ášáá³á¥ áµááµ á«áá ášááá¥áá áááµ áá áááµ ááá ááœááá¢
áá³á 2. á áá ášááá®áœ áá°á£ О
á¥áá á«áá á áá«ášá¥ ášáááᜠáá á°áá³á³á áááá О , ááá áá áááá± á«á± áá° áªá³á« á°áá£á áá€áµ ášáááµá²ááµ áªá³á«, ášá áá á«áá áááá. á¥áááá. áááµá á°áá£á áŠáá¬á°á©á á¥áá ááááᢠ"ášáá...ášáá«..."... áááµá ᣠášáá - ááµ á á«á ášááá ááᢠ, ášáá«á ášááááá á¥áµá áááµááµ, á¥áµáá á¥áá áááá á¥áá ášááá ášáá , ášáá«á áá° á¥áµáážá á¥áá°á«áá . ášá áá£áá á°áá£á áá á áááµááá¡-
á¥ááŽáµ á¥áá°áá°á« á á£á¶á¹ áá á¥ááá. 4 áá³á®áœá á°ááášáµá¡-
1. ášáá О ášáá« ášáááá á¥áµá "ááá³á"
2. ášáá О ášáá« ášáááá á¥áµá "ááá³á"
3. ášáá О ášáá« ášáááá á¥áµá "ááá³á"
4. ášáá О ášáá« ášáááá á¥áµá "ááá³á"
á ááᜠááášáµ á¥áá°áá»áá ᣠá 1 á¥á 3 áá³á®áœ ᣠááµáá¹ á áµááá á á áááªáá á²áá°á ᣠááµá á°áá£á ášáá°á ááááᣠáá á á áµááá ááááµ ášááááá ááᢠááá ᣠáá á áá«ášá¥ á á£á á áµážá᪠áá á¥á ášá áá ášá³áá áááá«á á¥áááášá³ááᢠááá áá ááááªá«á£ ášááµá á°áá£á©á á ááááµ ááᥠá¥ááµáá£áᣠáááá«á±á á áá á¥ášáááµáá ááá¢
á ááµá© ááµá á áááᜠ:
ááá ášáá³á¥ ááŽááœá á áá áá áµáááááá áá á áááªáá áµá á«ááá á¥á á«ááá¡-
á¥á á áá áŠáá¬á°á©á áááµáááµ ááá á áá áá "ášáá...ášáá«...". á ááµ ááá á²ášá°áµ áᥠáá á ášááá áá , ášáá«á á áááªáá áµá á£áá á ááááœ, á á²áááá°á ááµá¥, áá° áµáá£á á°áá³ á¥áá ášááá ášáá , ášáá«á $e$ áá° ááá ááá³á . áµááá ᣠášá²ááªá ááááµ áááá ááœáá - ááá±áá áá³á®áœ áá° á ááµ á«á£áá©- . ášáá« ášáááµá²ááµ áµá á°áµ á°áá£á á á¹á áááµá³áá¡-
á áááªáá á°ááŠáœ áá°ášáµ, ááááá©á á¥ááá«áá á¥á áááá±á á¥ááá£áá ""(á²áááµ) ááááªááᣠá¥á á¥áááááá¡-
ášáá¥ááµ á°áá£á á¥áá á áᢠášáááµá²ááµ áªá³á«ášááá áá á á°á«á«á ááá®áœ á áµáá á ááá ááµá¥ á¥á á áá ášááá: О .
á°á á, á áá áá á¥á á¥á°áááá á¥á áœááá á¥áášáá³áá.
áµáá á°áª áá³áá¶áœ
1. á¥á áœáá
1) ášá°á°áá áš ášá°ááµá¶ áµáá°á / N. Draper, G. Smith - 2 á á¥áµá. - M: áááááµ á¥á áµá³á²áµá²ááµ, 1986 (ášá¥ááááá ášá°á°ášáá)
2) áá®á£á¢áá² á²á᪠á¥á ášáá³á¥ áµá³á²áµá²ááµ / V.E. Gmurman - 9 á á¥áµá. - á: ááá°á á°ášá áµáá ááµ á€áµ, 2003
3) áá®á£á¢áá² á²á᪠/ N.I. áŒááá« - áá®á²á¢áªáµá: áá®á²á¢áªáµá áµáŽáµ á©áášáá²á², 2007
4) ášáááµ á¥á« áµáá°á-ášáášá áá° á¥áááµ / áááá á€á.á¢., áŠááœá®á V. I. - 2 á á¥áµá. - áŽááµ áá°ááµá áá: áá°á, 2013
5) ášááᥠá³áááµ á³á³ á³áááµ ášá£á¶ / Joel Gras - áŽááµ áá°ááµá ááá¡ BHV áá°ááµá ááᣠ2017
6) áá³á³ á³áááµ áµáá»ááµá¶áœ á°áá£á«á áµá³á²áµá²ááµ / P. Bruce, E. Bruce - áŽááµ áá°ááµá áá: BHV áá°ááµá áá, 2018
2. áµáá áá¶áœá£ á®áá¶áœ (áªá²á®)
1)
2)
3)
4)
5)
3. ášá áááášá¥ ááá®áœ
1)
2)
3)
4)
5)
6)
7)
8)
ááá: hab.com