Python для Data Science — все необходимые функции и методы Python

Python является одним из самых популярных языков программирования в области Data Science и машинного обучения. Он обладает мощным функционалом и множеством библиотек, которые позволяют быстро и эффективно решать задачи этой области.

В данной статье мы рассмотрим основные функции и методы языка Python для Data Science. Вы узнаете, как использовать библиотеки, такие как NumPy, Pandas, Matplotlib и Scikit-learn, а также как выполнять базовые операции, такие как чтение и запись данных, обработка и анализ данных, визуализация и предобработка.

В конце статьи будет предоставлен список полезных ресурсов и учебных материалов для тех, кто хочет углубить свои знания в области Data Science.

Базовые функции и методы Python

Python — это язык программирования, который можно использовать для многих задач, включая анализ данных. Он имеет множество встроенных функций и методов, которые облегчают работу с данными. В этом разделе мы рассмотрим некоторые из базовых функций и методов Python, которые могут пригодиться в работе с данными.

print() — это функция вывода на экран. Она позволяет выводить на экран текст, числа и значения переменных. Например, если вы хотите вывести на экран строку “Привет, мир!”, вы можете использовать следующий код:

print("Привет, мир!")

type() — это функция, которая позволяет узнать тип объекта. Она может быть полезна, например, если вы не знаете, какой тип переменной у вас есть. Например:

x = 5

print(type(x)) # int

len() — это функция, которая позволяет узнать длину объекта. Она может быть использована для определения количества элементов в строке, списке или кортеже. Например:

my_string = "Hello, World!"

print(len(my_string)) # 13

min() и max() — это функции, которые позволяют найти минимальное и максимальное значение в списке, кортеже или в любом итерируемом объекте. Например:

numbers = [1, 2, 3, 4, 5, 6]

print(min(numbers)) # 1

print(max(numbers)) # 6

Это только некоторые из базовых функций и методов Python, но они могут быть очень полезны для работы с данными. Ознакомьтесь с документацией Python для получения более подробной информации о доступных функциях и методах.

Работа с переменными

Python, как и любой другой язык программирования, использует переменные для хранения значений. Переменная в Python — это место в оперативной памяти компьютера, которое хранит значение. Название переменной существенно для того, чтобы различать переменные друг от друга.

Переменная в Python не требует объявления типа данных заранее, так как он сам может определить тип. Например, если переменной присвоить число, то Python определит переменную как числовой тип данных.

Для объявления переменной в Python используется знак равенства (=). После знака равенства указывается значение, которое должно быть сохранено в переменной. Это значение может изменяться во время выполнения программы.

Python поддерживает многие типы данных, такие как целочисленные, операционные, логические, строковые, списки, кортежи, множества и словари. Целочисленный тип данных обозначается как int, операционный тип данных обозначается как float, логический тип данных обозначается как bool, а строковый тип данных обозначается как str.

Для вывода значения переменной в консоль в Python используется функция print(). Внутри функции указывается название переменной, значение которой нужно вывести.

Переменные позволяют программистам хранить и манипулировать данными во время выполнения программы. Любые команды, которые выполняются в Python, могут использовать переменные. Создавать и управлять переменными — это основное действие, которое выполняется в Python.

Операторы и выражения

Python — это язык программирования, который может использоваться для работы с данными в науке о данных. Он имеет различные операторы, которые позволяют вам создавать выражения для анализа и работы с данными.

Общее понимание операторов и выражений – это ключевой элемент для начала программирования на Python. Операторы — это символы и понятия, используемые для совершения арифметических, логических и других операций с переменными.

Примеры арифметических операторов в Python: “+”, “-“, “*” и “/”. Логические операторы включают “and” и “or”, которые возвращают значения “True” (Истина) или “False” (Ложь). Кроме того, в Python есть операторы сравнения, такие как “==”, “!=”, “<«, «<=», «>“, “>=”.

При работе с Python, не забывайте, что он поддерживает числовые типы данных, такие как “int”, “float” и “complex”. Также в Python возможно использование выражений, которые включают в себя переменные, операторы и константы.

Один из примеров выражения в Python: “x = y + z”. Оно означает, что переменная “x” равняется сумме переменных “y” и “z”. В выражении можно использовать скобки для определения порядка выполнения операций, если нужно управлять порядком выполнения выражения, например: “x = (y + z) * 2”.

Циклы и условные операторы

Циклы и условные операторы являются одними из наиболее важных элементов программирования на Python. Они позволяют программистам элегантно и эффективно решать многие задачи в различных областях, включая Data Science.

Одним из наиболее распространенных условных операторов является if, который позволяет выполнять определенный блок кода только при выполнении определенного условия. Например, мы можем использовать оператор if для проверки, больше ли значение переменной x, чем значение переменной y, и выполнить определенный блок кода, если это условие истинно.

Циклы в Python используются для повторения определенного блока кода множество раз. Один из самых часто используемых циклов – это цикл for, который позволяет перебирать элементы в списке или другой структуре данных и применять к ним определенную операцию.

Еще один распространенный цикл – это цикл while, который позволяет повторять определенный блок кода до тех пор, пока определенное условие выполняется. Обычно цикл while используется, когда заранее неизвестно, сколько раз необходимо повторить блок кода.

Важно помнить о том, что правильное использование условных операторов и циклов может значительно упростить задачи, улучшить читабельность кода и сделать его более эффективным. Однако, если условные операторы и циклы не используются правильно, это может привести к ошибкам в коде, либо к его низкой производительности.

Если вы только начинаете работать с Python, рекомендуется уделить время изучению условных операторов и циклов и научиться применять их на практике.

Работа с данными в Python

Python – это замечательный инструмент для работы с данными. Он обладает мощными библиотеками, такими как NumPy, Pandas и Matplotlib, которые позволяют работать с массивами данных, анализировать их и визуализировать.

NumPy – это библиотека для работы с научными вычислениями в Python. Она предоставляет многомерные массивы данных, векторную и матричную алгебру, а также функции для работы с ними.

Pandas – это библиотека для работы с данными в Python, которая предоставляет инструменты для работы с таблицами. С ее помощью можно выполнять различные операции над данными, такие как сортировка, фильтрация и агрегация.

Matplotlib – это библиотека для визуализации данных в Python. Она позволяет создавать графики различного типа, такие как линейные графики, гистограммы, диаграммы рассеяния и т.д.

Python также поддерживает работу с базами данных. Для работы с SQL базами данных можно использовать библиотеку sqlite3, а для работы с нереляционными базами данных, такими как MongoDB, можно использовать библиотеку pymongo.

Кроме того, Python поддерживает работу с файлами различных форматов, таких как CSV, Excel, JSON и XML. Для работы с этими форматами можно использовать различные библиотеки, такие как csv, xlrd и xml.

В целом, Python предоставляет широкие возможности для работы с данными и является одним из наиболее популярных инструментов для анализа и обработки данных. Это делает его незаменимым инструментом для всех, кто работает с данными.

Структуры данных

Структуры данных — это основа работы с данными в программировании. Python предлагает широкий выбор структур данных, которые могут быть легко созданы и манипулированы.

Среди наиболее популярных структур данных можно назвать:

• Списки (list) — упорядоченные изменяемые коллекции
• Кортежи (tuple) — упорядоченные неизменяемые коллекции
• Множества (set) — неупорядоченные изменяемые коллекции уникальных элементов
• Словари (dictionary) — неупорядоченные изменяемые коллекции пар “ключ-значение”

Кроме того, в Python имеются специальные структуры данных для работы с числами, такие как:

• Числовые типы данных (int, float, complex) — для работы с целыми, вещественными и комплексными числами
• Массивы (array) — для операций с массивами чисел
• Дробные числа (decimal) — для работы с дробными числами с фиксированной точностью

Используя эти структуры данных, можно решать широкий круг задач в области анализа данных и машинного обучения. Например, можно хранить и обрабатывать информацию о пользовательских интересах, прогнозировать результаты спортивных событий или определять наличие мошеннических транзакций.

Кроме того, Python предлагает множество встроенных функций и методов для работы со структурами данных, что делает их более удобными для использования.

Работа с файлами

Работа с файлами необходима во многих задачах в Data Science. В языке Python существует несколько способов работы с файлами, но наиболее распространенными являются:

• Чтение файла
• Запись в файл
• Добавление текста в файл

Для чтения файла можно использовать функцию open(). В качестве аргументов функции передаются имя файла и режим доступа к файлу. Режим доступа может быть ‘r’ (чтение), ‘w’ (запись) или ‘a’ (добавление). Для чтения текстовых данных из файла можно использовать методы read() или readline().

Для записи в файл также используется функция open(). При этом режим доступа ‘w’ указывает на то, что файл открывается для записи. После записи в файл необходимо закрыть его с помощью метода close().

Чтобы добавить текст в файл, используйте режим доступа ‘a’ при открытии файла. После записи новой информации в файл также необходимо закрыть его с помощью метода close().

Чтобы сохранить информацию в файл в формате таблицы, можно использовать теги HTML, такие как <table>, <tr>, <td>. Это позволит сохранить данные в удобном формате и использовать их далее в других приложениях.

Работа с базами данных

В мире Data Science обработка и анализ данных немыслимы без работы с базами данных. Python предоставляет богатые возможности для работы с различными типами баз данных.

Для работы с базами данных в Python используются специальные библиотеки, такие как:

• sqlite3 – встроенная база данных, которая позволяет работать с локальными файлами в формате SQLite;
• psycopg2 – библиотека для работы с PostgreSQL;
• mysql-connector-python – библиотека для работы с MySQL;
• pymongo – библиотека для работы с базами данных MongoDB;
• pyodbc – библиотека для работы с базами данных, использующими ODBC (Open Database Connectivity).

После подключения библиотеки и создания соединения с базой данных, можно выполнить различные операции, такие как создание таблицы, вставка, обновление и удаление данных, а также выполнение запросов на выборку данных.

Пример работы с базой данных в Python:

import sqlite3

conn = sqlite3.connect(‘example.db’)

c = conn.cursor()

c.execute(“CREATE TABLE students (id INTEGER PRIMARY KEY, name TEXT, age INTEGER)”)

c.execute(“INSERT INTO students (name, age) VALUES (‘John’, 25)”)

conn.commit()

conn.close()

Данный пример создает таблицу students с полями id, name и age, после чего вставляет в нее одну запись с именем John и возрастом 25 лет.

Работа с базами данных в Python требует определенного уровня знаний и опыта, в том числе настройки окружения и соединения с базой. Однако, с помощью специальных библиотек и документации можно освоить основные принципы работы с базами данных и применять их в своей работе.

Модули Python для Data Science

Python является одним из наиболее популярных языков программирования для Data Science. Существует множество модулей и библиотек Python, которые облегчают работу профессионалам в этой области. Проанализируем некоторые из них.

• Numpy — библиотека для работы с многомерными массивами данных. Она предоставляет мощный набор функций для выполнения математических операций над массивами, а также обработки числовых данных.
• Pandas — библиотека для обработки и анализа данных. Она позволяет легко работать с данными в форматах CSV, Excel, SQL и других форматах.
• Matplotlib — библиотека для построения графиков и визуализации данных. Она предоставляет множество инструментов для создания красивых и информативных визуализаций данных.
• Seaborn — еще одна библиотека для визуализации данных. Seaborn упрощает визуализацию статистических данных, таких как распределения, сводные таблицы и тепловые карты.
• SciPy — библиотека для научных и технических вычислений. Она содержит множество функций для решения задач, связанных с оптимизацией, интегрированием, обработкой сигналов и многими другими.

Стоит отметить, что это далеко не все библиотеки, которые могут использоваться в Data Science. Python имеет широкие возможности для создания значимых инструментов для анализа и обработки данных.

NumPy

NumPy — библиотека, предназначенная для выполнения операций с многомерными массивами и матрицами. Она позволяет складывать, вычитать, умножать и делить массивы, а также проводить линейную алгебру, синусы, косинусы и другие математические операции.

Модуль NumPy позволяет обрабатывать большие объемы данных, оптимизирует вычисления и обеспечивает быструю и эффективную работу с данными. Он широко используется при работе с данными в науке, финансах, биологии, физике и многих других областях.

Основным типом данных в NumPy является ndarray — многомерный массив однородных данных. Он позволяет быстро выполнять операции с данными и не затрачивать память на создание объектов разных типов данных.

Кроме того, NumPy предоставляет функции для работы с массивами, такие как: reshape() — изменение формы массива, arange() — создание массива с равномерно распределенными значениями и другие функции.

NumPy также интегрируется с другими библиотеками для обработки и анализа данных, такими как Pandas, SciPy, Matplotlib и другие.

Pandas

Pandas – это мощная библиотека для обработки и анализа данных в Python. Она позволяет работать с табличными данными, представленными в виде DataFrame. DataFrame состоит из столбцов, каждый из которых может содержать разные типы данных.

С помощью Pandas можно легко и быстро загружать, обрабатывать и анализировать данные. Библиотека включает в себя множество функций и методов, которые позволяют выполнять различные операции, такие как группировка, сортировка, фильтрация и агрегирование данных.

Кроме того, Pandas также предоставляет инструменты для работы с пропущенными данными, такими как удаление или заполнение пропущенных значений.

Пример использования:

import pandas as pd

df = pd.read_csv(‘data.csv’) # загрузка данных из csv файла в DataFrame

df.head() # вывод первых пяти строк DataFrame

df.info() # информация о DataFrame, включая количество строк, столбцов и типы данных

df.groupby(‘column’).mean() # группировка данных по столбцу column и расчет среднего значения для каждой группы

Также можно использовать методы Pandas для визуализации данных, например, для построения гистограмм или диаграмм рассеяния.

Кроме того, Pandas часто используется вместе с другими библиотеками для анализа данных, такими как NumPy, Matplotlib и Scikit-Learn.

Matplotlib

Matplotlib – это пакет для визуализации данных в Python. Он является одним из наиболее популярных инструментов визуализации для Python и используется во многих областях, в том числе в Data Science, научных исследованиях и инженерии.

Matplotlib позволяет создавать графики, диаграммы и другие типы визуализации, используя Python. Он поддерживает многие виды диаграмм, включая линейные, гистограммы, точечные, круговые диаграммы, контурные графики и многое другое. Он также имеет мощные возможности настройки, которые можно использовать для создания кастомизированных графиков, которые соответствуют вашим потребностям.

Matplotlib имеет простой и интуитивно понятный синтаксис, что делает создание графиков даже для новичков в Data Science и Python легким и быстрым.

• Для начала работы с Matplotlib необходимо импортировать соответствующие библиотеки.
• Один из простейших способов создания графика в Matplotlib – использовать функцию plot().
• Для создания различных типов графиков используются различные функции. Например, для создания гистограмм используется функция hist(), а для создания точечных графиков – функция scatter().
• Matplotlib также позволяет настраивать графики, используя функции, такие как xlabel(), ylabel(), title() и другие.
• Можно добавлять легенду, использовать различные цвета, стили линий, маркеры, а также настраивать оси координат и многое другое.

Matplotlib также позволяет сохранять созданные графики в различных форматах, таких как PNG, PDF, SVG и другие.

Конечно, Matplotlib не является единственным инструментом для визуализации данных в Python, но это один из наиболее популярных и мощных инструментов. Если вы работаете в области Data Science и регулярно создаете графики и диаграммы, то Matplotlib – это одна из библиотек, с которой вам стоит ознакомиться.

Машинное обучение и Data Science в Python

Python является одним из наиболее используемых языков программирования для решения задач в области Data Science и машинного обучения. Многочисленные библиотеки и фреймворки позволяют не только быстро и удобно обрабатывать данные, но и создавать эффективные алгоритмы машинного обучения.

Одной из самых популярных библиотек для работы с данными является Pandas. Она позволяет читать, записывать и манипулировать данными различных форматов, таких как CSV, Excel, JSON, SQL и др. С ее помощью можно легко производить операции над данными, такие как объединение, фильтрация, группировка и т.д.

Для обучения моделей машинного обучения в Python широко используют библиотеку Scikit-learn. Она содержит множество алгоритмов для решения задач классификации, регрессии, кластеризации, обнаружения выбросов и т.д. Благодаря удобной и интуитивно понятной API, использование Scikit-learn позволяет быстро и легко создавать и обучать модели машинного обучения.

Кроме того, в Python есть множество других библиотек и фреймворков для машинного обучения, таких как TensorFlow, Keras, PyTorch и др. Они обладают своими особенностями и предназначены для решения определенных задач, но в целом все они направлены на упрощение работы с данными и создание эффективных алгоритмов машинного обучения.

Обучение моделей машинного обучения

Для того чтобы создать эффективную модель машинного обучения, необходимо правильно обучить ее на выборке данных. Обучение моделей машинного обучения может быть разделено на несколько этапов:

1. Предобработка данных. Преобразование и очистка данных, заполнение пропущенных значений и масштабирование.
2. Выбор алгоритма и создание модели. Выбор наиболее подходящего алгоритма и создание модели.
3. Обучение модели. Обучение модели на выборке данных с помощью метода fit.
4. Оценка модели. Оценка качества модели на тестовой выборке, использование метрик для определения точности модели.
5. Тюнинг гиперпараметров. Изменение настроек модели для улучшения ее качества.
6. Использование модели на новых данных. Получение предсказаний на новых данных.

Для успешного обучения модели машинного обучения необходимо понимать принципы работы алгоритмов, а также уметь правильно выбирать гиперпараметры. Также важно следить за правильным выбором выборки данных и включением в нее различных признаков для обучения модели.

Python предоставляет обширный набор библиотек для обучения моделей машинного обучения, таких как numpy, pandas, scikit-learn и др. С их помощью можно быстро и удобно обрабатывать данные, создавать модели и оценивать их качество.

Обучение моделей машинного обучения – это сложный процесс, который требует определенных знаний и навыков, однако он может привести к получению превосходных результатов и решению реальных задач в области анализа данных, машинного обучения и искусственного интеллекта.

Обработка и анализ данных

Обработка и анализ данных – это важный этап в работе с большими объемами информации, который помогает извлечь из данных необходимую информацию и преобразовать ее в удобный для анализа и использования формат. Для этого в Python существует множество функций и методов, которые позволяют производить различные операции с данными.

Преобразование данных

Для преобразования данных в Python используют методы map(), filter() и reduce(). Map используется для применения заданной функции к каждому элементу заданной последовательности. Filter используется для фильтрации элементов последовательности с помощью заданной функции. Reduce применяет заданную функцию к паре элементов и возвращает ее результат, который в свою очередь используется для следующей пары элементов.

Группирование данных

Для группирования данных по определенным критериям используется метод groupby(). Он позволяет группировать данные по заданной категории и выполнять с ними различные операции, такие как суммирование, нахождение максимального и минимального значений, вычисление средних и т.д.

Извлечение данных

Для извлечения информации из данных используют методы, такие как loc и iloc. Метод loc позволяет получить информацию по заданным индексам строк и столбцов базы данных, а метод iloc – по числовым индексам.

Визуализация данных

Для визуализации данных используют библиотеку Matplotlib. Она позволяет создавать графики и диаграммы, что помогает визуализировать данные и лучше понимать полученные результаты.

Конвертация данных

Для конвертации данных в Python используют библиотеку Pandas. Она позволяет импортировать, экспортировать и конвертировать данные в различные форматы, такие как CSV, Excel, SQL, JSON и т.д.

Визуализация результатов

Визуализация данных является важной частью работы в области Data Science. При анализе больших объемов данных, необходимо иметь возможность визуализировать результаты для более наглядного представления и лучшего понимания данных.

Python предоставляет множество библиотек для визуализации данных. Наиболее часто используемыми являются Matplotlib, Seaborn, Plotly и Bokeh. Matplotlib позволяет создавать различные графики, в том числе гистограммы, диаграммы и круговые диаграммы. Seaborn специализируется на создании статистических графиков, включая распределения и корреляции. Plotly и Bokeh позволяют создавать визуально интерактивные графики, которые можно изменять и управлять динамически.

Кроме того, Python также предоставляет возможности для создания диаграмм и других инфографических элементов. Для этого можно использовать библиотеки, такие как Matplotlib, Plotly Express, Seaborn и другие. С их помощью вы можете создавать диаграммы, сводные таблицы, тепловые карты и множество других элементов.

Визуализация результатов является важным этапом в анализе данных. Использование Python для выполнения этой работы дает возможность получить более наглядное представление данных и облегчает взаимодействие с ними.

Примеры проектов на Python для Data Science

Python является одним из самых популярных языков программирования для решения задач Data Science. Его используют в различных проектах, связанных с анализом данных, машинным обучением, визуализацией и другими областями.

Ниже представлены несколько популярных проектов на Python для Data Science:

• Анализ данных о прокате велосипедов – Данный проект включает в себя анализ датасета о прокате велосипедов в США. В процессе работы используются библиотеки Pandas, Numpy, Matplotlib и Seaborn. Кроме того, проект включает в себя визуализацию и анализ зависимостей между различными параметрами.
• Обработка изображений – Этот проект представляет собой обработку изображений с помощью библиотеки OpenCV. В процессе работы осуществляется преобразование цветовой гаммы, улучшение качества изображения и другие операции.
• Машинное обучение для определения рукописных цифр – Данный проект включает в себя создание модели машинного обучения для определения рукописных цифр на изображении. В работе используются библиотеки Scikit-learn, Numpy и Matplotlib. Кроме того, проект включает в себя визуализацию результатов и оценку качества модели.
• Анализ социальных сетей – Проект включает в себя анализ данных из социальных сетей с использованием библиотеки NetworkX для работы с графами, а также библиотек Numpy и Matplotlib для визуализации и анализа результатов.

Это лишь некоторые примеры проектов на Python для Data Science. В зависимости от задачи, можно использовать различные библиотеки и инструменты для анализа и обработки данных.

Анализ данных о продажах

Анализ данных о продажах – это процесс сбора, обработки и анализа данных, связанных с продажами товаров или услуг. Анализ данных о продажах имеет решающее значение для бизнеса, поскольку он позволяет понимать спрос на товары и услуги, поведение потребителей, планировать производство и оптимизировать процессы продаж.

Ключевыми задачами анализа данных о продажах являются:

• Определение наиболее востребованных товаров или услуг;
• Анализ факторов, влияющих на продажи;
• Определение тенденций спроса;
• Прогнозирование продаж в будущем.

Для проведения анализа данных о продажах используются различные инструменты. Одним из наиболее популярных является язык программирования Python.

Python предоставляет множество библиотек и инструментов для анализа данных, таких как NumPy, Pandas, Seaborn, Matplotlib и др. Средствами этих библиотек можно проводить различные виды анализа данных, строить графики, визуализировать результаты анализа и многое другое.

Благодаря Python и соответствующим библиотекам анализ данных о продажах становится более доступным и удобным для бизнеса, что позволяет сделать более точные прогнозы и принимать более эффективные решения.

Классификация текстов

Классификация текстов – это задача, которая заключается в определении категории, в которую следует отнести данный текст. Эта задача может быть очень полезной в таких областях как СМИ, медицина, статистика и экономика.

Классификация текстов может быть выполнена с помощью алгоритмов машинного обучения. Для начала необходимо обработать текст и привести его к числовому виду, чтобы можно было применить алгоритмы машинного обучения. Для этого можно использовать методы NLP (Natural Language Processing).

Примеры методов классификации текстов: наивный Байесовский классификатор, метод опорных векторов, случайный лес.

Наивный Байесовский классификатор – это алгоритм классификации, основанный на теореме Байеса. Он предполагает, что все признаки для классифицируемых данных независимы друг от друга.

Метод опорных векторов – это метод, который находит гиперплоскость в пространстве признаков, которая лучше всего разделяет обучающие данные на две категории.

Случайный лес – это метод, который строит множество деревьев решений и использует их для классификации новых данных. При этом каждое дерево обучается на случайно выбранных признаках.

Выбор метода классификации зависит от многих факторов, таких как размер обучающей выборки, количество признаков и уровень шума в данных.

Обработка изображений

В Data Science обработка изображений играет важную роль, так как визуализация данных – один из главных инструментов анализа. Для обработки изображений понадобится библиотека Pillow, которая позволяет открывать, редактировать и сохранять изображения.

В библиотеке Pillow есть набор функций и методов для изменения размеров, изменения цветовой палитры, наложения фильтров, нарезки, поворота и других манипуляций с изображениями.

Одна из важных задач при работе с изображениями – не только уменьшить/увеличить размер, но и сохранить соотношение сторон. Это может быть важно, к примеру, при машинном зрении для точного определения объектов, которые находятся на изображении.

Также, с помощью Pillow можно сохранять изображения в различных форматах, таких как JPEG, PNG, BMP и многих других. При сохранении можно указать качество изображения и другие параметры.

Библиотека Pillow также предоставляет возможность работать с пикселями изображения. Изображения можно перевести в черно-белый формат или изменить отдельные цветовые каналы (красный, зеленый, синий) в цветном изображении.

Кроме того, для сравнения изображений можно использовать различные метрики сходства, например, mean square error (MSE) или structural similarity index (SSIM). Каждая из метрик имеет свои преимущества и недостатки и выбор конкретной зависит от поставленной цели.