70 lines
2.8 KiB
Python
70 lines
2.8 KiB
Python
|
import math
|
|||
|
|
import pandas as pd
|
|||
|
|
from sklearn.model_selection import train_test_split
|
|||
|
|
from sklearn.pipeline import make_pipeline
|
|||
|
|
from sklearn.preprocessing import PolynomialFeatures
|
|||
|
|
from sklearn.linear_model import LogisticRegression, LinearRegression
|
|||
|
|
from sklearn.metrics import mean_squared_error
|
|||
|
|
|
|||
|
|
# По варианту 2:
|
|||
|
|
# предсказание доли выбросов CO2 промышленной деятельностью
|
|||
|
|
# от общего объёма выбросов CO2 страной в определённый год
|
|||
|
|
# с помощью логистической регрессии
|
|||
|
|
|
|||
|
|
# Дополнительно: с помощью полиномиальной регрессии 3 степени
|
|||
|
|
|
|||
|
|
# Загружаем данные из файла
|
|||
|
|
data = pd.read_csv('CO2.csv')
|
|||
|
|
data = data.dropna()
|
|||
|
|
data = data[data.Country != 'Global']
|
|||
|
|
|
|||
|
|
# Хеширование наименований стран
|
|||
|
|
countries = {}
|
|||
|
|
for country in data['Country']:
|
|||
|
|
countries[country] = hash(country)
|
|||
|
|
hash_column = []
|
|||
|
|
for country in data['Country']:
|
|||
|
|
hash_column.append(countries[country])
|
|||
|
|
data.insert(loc=0, column='hashcode', value=hash_column)
|
|||
|
|
|
|||
|
|
# Добавление колонки "доля выбросов промышленным производством в стране за год"
|
|||
|
|
procent_other = []
|
|||
|
|
others = []
|
|||
|
|
totals = []
|
|||
|
|
for other in data['Other']:
|
|||
|
|
others.append(other)
|
|||
|
|
for total in data['Total']:
|
|||
|
|
totals.append(total)
|
|||
|
|
for i in range(len(others)):
|
|||
|
|
procent_other.append(math.ceil(others[i]/totals[i]*100))
|
|||
|
|
data.insert(loc=0, column='procent other', value=procent_other)
|
|||
|
|
|
|||
|
|
# Необходимые признаки
|
|||
|
|
features = data[['Total', 'hashcode', 'Year']]
|
|||
|
|
|
|||
|
|
# Задача логистической регрессии
|
|||
|
|
task = data['procent other']
|
|||
|
|
|
|||
|
|
# Разделение данных на обучающую и тестовую выборки
|
|||
|
|
X_train, X_test, y_train, y_test = train_test_split(features, task, test_size=0.01, random_state=5)
|
|||
|
|
|
|||
|
|
# Применение логистической регрессии
|
|||
|
|
model_logic = LogisticRegression(max_iter=1000)
|
|||
|
|
model_logic.fit(X_train, y_train)
|
|||
|
|
|
|||
|
|
# Предсказание на тестовых данных
|
|||
|
|
y_pred_logic = model_logic.predict(X_test)
|
|||
|
|
|
|||
|
|
# Полиномиальная регрессия (degree=3)
|
|||
|
|
model_poly = make_pipeline(PolynomialFeatures(degree=3), LinearRegression())
|
|||
|
|
model_poly.fit(X_train, y_train)
|
|||
|
|
|
|||
|
|
# Предсказание на тестовых данных
|
|||
|
|
y_pred_poly = model_poly.predict(X_test)
|
|||
|
|
|
|||
|
|
# Оценка регрессионных моделей
|
|||
|
|
poly_mse = mean_squared_error(y_test, y_pred_poly)
|
|||
|
|
logic_mse = mean_squared_error(y_test, y_pred_logic)
|
|||
|
|
|
|||
|
|
print('Среднеквадратичная ошибка полиномиальной регрессии:', poly_mse)
|
|||
|
|
print('Среднеквадратичная ошибка логистической регрессии:', logic_mse)
|