29 lines
2.6 KiB
Markdown
29 lines
2.6 KiB
Markdown
|
### Задание:
|
|||
|
|
|
|||
|
|
Использовать нейронную сеть MLPClassifier для данных из файла для задачи: предсказать, является качество сна на основе некоторых других признаков.
|
|||
|
|
|
|||
|
|
### Технологии:
|
|||
|
|
|
|||
|
|
Библиотека Scikit-learn, библиотека pandas
|
|||
|
|
|
|||
|
|
### Что делает лабораторная:
|
|||
|
|
|
|||
|
|
Лабораторная работа предсказывает качество сна, используя следующие признаки: уровень стресса, возраст, пол, уровень физической активности и категория индекса массы тела.
|
|||
|
|
|
|||
|
|
### Как запустить:
|
|||
|
|
|
|||
|
|
Лабораторная работа запускается в файле `shestakova_maria_lab_6.py` через Run: появляется вывод в консоли
|
|||
|
|
|
|||
|
|
### Вывод:
|
|||
|
|
|
|||
|
|
Консоль:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Точность - показатель общей точности модели, который указывает на долю правильно классифицированных образцов в тестовой выборке. В данном случае, точность модели составляет примерно 97.33%, что является очень хорошим результатом
|
|||
|
|
|
|||
|
|
Матрица ошибок показывает количество верно и неверно классифицированных образцов для каждого класса. В данном случае, матрица имеет размерность 6x6, где каждая строка представляет истинный класс, а каждый столбец представляет предсказанный класc. Значения в матрице указывают количество образцов, которые были классифицированы в соответствующих ячейках.
|
|||
|
|
Из матрицы ошибок можно определить общее количество ошибок, сложив значения, которые находятся вне главной диагонали матрицы. Таким образом, получилось 2 ошибки
|
|||
|
|
|
|||
|
|
Также выводится отчет о классификации, который содержит информацию о точности, полноте, F1-мере и поддержке для каждого класса
|