1 и 2 задача

README.md

@@ -2,6 +2,12 @@ chezahuynya1
 =============
 
 bts metodi 1
+1 +
+2 +
+3 -
+4 -
+5 -
+6 -
 
 --------
 

app/menu_load.py

@@ -0,0 +1,74 @@
+from app.utils.system import clear_console
+from app.zadachi.zadacha1 import zadacha1
+from app.zadachi.zadacha2 import zadacha2
+
+class pod_menu:
+    
+    def __init__(self):
+        pass  # Конструктор пока пустой, при необходимости можно добавить параметры
+
+    def zadacha1_menu():
+        """Меню для задачи 1 с подкатегориями."""
+        clear_console()
+        while True:
+            print('\nЗадача 1:')
+            print('1. линейно')
+            print('2. квадратично')
+            print('0. Назад')
+
+            choice = input('Выберите подкатегорию: ')
+
+            clear_console()
+            z1 = zadacha1()  # создаем объект для задачи 1
+
+            if choice == '1':
+                z1.plot_lin_data()  # Выполнить первую подзадачу
+                #return  # Вернуться в основное меню после выполнения
+            elif choice == '2':
+                z1.plot_sqr_data()  # Выполнить вторую подзадачу
+                #return  # Вернуться в основное меню после выполнения
+            elif choice == '0':
+                break  # Вернуться в основное меню
+            else:
+                print('Неверный выбор, попробуйте снова.')
+
+    def zadacha2_menu():
+        """Меню для задачи 2 (расчет коэффициентов методом наименьших квадратов)."""
+        clear_console()
+        z1 = zadacha1()  # Используем объект задачи 1 для генерации данных
+        z2 = zadacha2()  # Создаем объект для задачи 2
+        
+        while True:
+            print('\nЗадача 2:')
+            print('1. Рассчитать коэффициенты b0 и b1 для линейной модели')
+            print('2. Сделать прогноз по рассчитанным коэффициентам')
+            print('0. Назад')
+
+            choice = input('Выберите подкатегорию: ')
+
+            clear_console()
+
+            if choice == '1':
+                # Генерация линейных данных с помощью функции из задачи 1
+                x_data, y_data = z1.create_lin_array()
+
+                # Рассчет коэффициентов b0 и b1 методом наименьших квадратов
+                b0, b1 = z2.calculate_coefficients(x_data, y_data)
+
+                print(f'Рассчитанные коэффициенты:')
+                print(f'b0 (свободный член) = {b0}')
+                print(f'b1 (коэффициент наклона) = {b1}')
+            elif choice == '2':
+                # Пример предсказания на новых данных
+                x_data, y_data = z1.create_lin_array()  # Сначала генерируем данные
+                b0, b1 = z2.calculate_coefficients(x_data, y_data)  # Рассчитываем коэффициенты
+
+                # Выполняем прогноз
+                predicted_y = z2.predict(x_data, b0, b1)
+
+                print(f'Предсказанные значения Y на основе рассчитанных коэффициентов:')
+                print(predicted_y)
+            elif choice == '0':
+                break  # Вернуться в основное меню
+            else:
+                print('Неверный выбор, попробуйте снова.')

app/zadachi/zadacha1.py

@@ -0,0 +1,60 @@
+import numpy as np
+import matplotlib.pyplot as plt
+
+class zadacha1:
+    
+    def __init__(self):
+        pass  # Конструктор пока пустой, при необходимости можно добавить параметры
+    
+    # Метод для генерации линейного массива данных
+    def create_lin_array(self, b0=2, b1=4, N=500, noise_std=10):
+        """
+        Генерация массива данных по линейной зависимости Y = b0 + b1 * X + error
+        :param b0: свободный коэффициент
+        :param b1: коэффициент при X
+        :param N: количество точек данных
+        :param noise_std: стандартное отклонение для случайной ошибки
+        :return: массивы X и Y
+        """
+        X = np.linspace(1, 500, N)  # создаем массив X с равномерным шагом
+        error = np.random.normal(0, noise_std, N)  # генерируем шум
+        Y = b0 + b1 * X + error  # генерируем Y по линейному закону
+        return X, Y
+
+    # Метод для генерации квадратичного массива данных
+    def create_sqr_array(self, a=1, b=3, c=2, N=500, noise_std=10):
+        """
+        Генерация массива данных по квадратичной зависимости Y = a * X^2 + b * X + c + error
+        :param a: коэффициент при X^2
+        :param b: коэффициент при X
+        :param c: свободный коэффициент
+        :param N: количество точек данных
+        :param noise_std: стандартное отклонение для случайной ошибки
+        :return: массивы X и Y
+        """
+        X = np.linspace(1, 500, N)  # создаем массив X
+        error = np.random.normal(0, noise_std, N)  # генерируем шум
+        Y = a * X**2 + b * X + c + error  # генерируем Y по квадратичному закону
+        return X, Y
+
+    # Метод для отображения графика линейных данных
+    def plot_lin_data(self, b0=2, b1=4, N=500, noise_std=10):
+        """
+        Отображение сгенерированных линейных данных и теоретической линии
+        """
+        X, Y = self.create_lin_array(b0, b1, N, noise_std)  # Генерация данных
+        plt.scatter(X, Y)  # График рассеяния
+        plt.plot(X, b0 + b1 * X, color='red')  # Линейная функция без шума
+        plt.title("Линейная зависимость с шумом")
+        plt.show()
+
+    # Метод для отображения графика квадратичных данных
+    def plot_sqr_data(self, a=1, b=3, c=2, N=500, noise_std=10):
+        """
+        Отображение сгенерированных квадратичных данных и теоретической кривой
+        """
+        X, Y = self.create_sqr_array(a, b, c, N, noise_std)  # Генерация данных
+        plt.scatter(X, Y)  # График рассеяния
+        plt.plot(X, a * X**2 + b * X + c, color='red')  # Квадратичная функция без шума
+        plt.title("Квадратичная зависимость с шумом")
+        plt.show()

app/zadachi/zadacha2.py

@@ -0,0 +1,35 @@
+import numpy as np
+
+class zadacha2:
+    def calculate_coefficients(self, X, Y):
+        """
+        Функция для расчета коэффициентов b0 и b1 по методу наименьших квадратов (МНК)
+        :param X: массив значений независимой переменной
+        :param Y: массив значений зависимой переменной
+        :return: коэффициенты b0 и b1
+        """
+        n = len(X)
+        
+        # Вычисляем средние значения X и Y
+        mean_x = np.mean(X)
+        mean_y = np.mean(Y)
+        
+        # Вычисляем коэффициент b1
+        numerator = np.sum((X - mean_x) * (Y - mean_y))
+        denominator = np.sum((X - mean_x) ** 2)
+        b1 = numerator / denominator
+        
+        # Вычисляем коэффициент b0
+        b0 = mean_y - b1 * mean_x
+        
+        return b0, b1
+
+    def predict(self, X, b0, b1):
+        """
+        Функция для предсказания значений Y на основе коэффициентов b0 и b1
+        :param X: массив значений независимой переменной
+        :param b0: коэффициент b0 (свободный член)
+        :param b1: коэффициент b1 (коэффициент при X)
+        :return: предсказанные значения Y
+        """
+        return b0 + b1 * X

main.py

@@ -1,23 +1,24 @@
 
 from app.utils.config import debug
 from app.utils.system import clear_console
-#from test_module import *
+from app.menu_load import pod_menu
 
 
 def main_menu():
     clear_console()
     while True:
         print('\nMain Menu:')
-        print('1. Start')
+        print('1. Задача 1')
+        print('2. Задача 2')
         print('0. Exit')
 
         choice = input('Select an option: ')
 
         clear_console()
         if choice == '1':
-            #return test()
+            pod_menu.zadacha1_menu()  # Переход к подменю Задачи 1
-            return
+        elif choice == '2':
-
+            pod_menu.zadacha2_menu()  # Переход к подменю Задачи 2
         elif choice == '0':
             print('Exiting program...')
             break