Голомаздина Дарья

Для анализа я взяла статистические сводки данных о преступности за январь-февраль 2023, 2024, 2025 года.  с сайта:  https://xn--b1aew.xn--p1ai/reports/3/ Конкретно, я взяла данные о кражах и мошенничетсве.  моя таблица Эти данные объеденены тем, что это уголовные преступепления, разница только в проценте их совершений по отношению к другим видам преступлений.  Результаты исследования:  Linear Projection Data Table Scater Plot  Interactive k-Mean Polynomial Regression Вывод: ниболее эффективной оказалась модель  Polynomial Regression. Здесь данные распределены понятно и логично, легко отследледить связь. По графику можно отследить изменение показателей (пик и нижняя точка). 

для анализа я выбрала базу данных l ast.fm общий параметр: первый альбом  1) Наиболее важные связи в данных явно выражены в категории Indie и rock (зеленые и фиолетовые). Доминирующий тип контента- "другие".  2) Центральный элемент связей (основное ядро данных)- rock (зеленый кружок).  3) Наиболее удобная длявосприятия модель- Network  Explorer, здесь видны связи между данными и преобладающий тип контента. В модели MDS предстваленные данные смешиваются и сложно отследить из взаимосвязи, а модель Correlations предоставляет слишком подробные данные. 

 Для анализа я выбрала фото разных цветов.  1) Все модели разделили фотографии по крупности и визуальному строению цветка. Ни одна из моделей не ориентировалась на цвет, кроме  алгоритма  t-SNE (он выделил подсулнух в отельную категорию, т.к. это единственный желтный цветок из всех розовых и красных.)  Мне показалось, что точнее всего картинки разделила модель  Hierarchical Clustering.  2) Для анализа я выбрала фото разных цветов.  Фото разделились на такие группы, потому что некототорые из них схожи по сторению, размеру цветка, цвету.  Я согласна с такой логикой разделения.