50 lines
2.4 KiB
Python
50 lines
2.4 KiB
Python
|
# Использовать нейронную сеть(четные варианты –MLPRegressor, нечетные –MLPClassifier)для данных из таблицы 1
|
|||
|
|
# по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо
|
|||
|
|
# она подходит для решения сформулированной вами задачи.
|
|||
|
|
|
|||
|
|
# Вариант 2 MLPRegressor
|
|||
|
|
|
|||
|
|
# Импортируем необходимые библиотеки
|
|||
|
|
import pandas as pd
|
|||
|
|
from sklearn.model_selection import train_test_split
|
|||
|
|
from sklearn.neural_network import MLPRegressor
|
|||
|
|
from sklearn.preprocessing import StandardScaler
|
|||
|
|
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
|
|||
|
|
|
|||
|
|
import math
|
|||
|
|
|
|||
|
|
# Загрузим данные
|
|||
|
|
df = pd.read_csv('housing.csv')
|
|||
|
|
df.dropna(inplace=True)
|
|||
|
|
|
|||
|
|
# Выберем признаки и целевую переменную (доход)
|
|||
|
|
features_list = ['total_rooms', 'total_bedrooms', 'population', 'households', 'median_income']
|
|||
|
|
features = df[features_list].copy()
|
|||
|
|
target = df['median_house_value'].copy()
|
|||
|
|
|
|||
|
|
# Разделим данные на тренировочный и тестовый наборы
|
|||
|
|
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.1, random_state=42)
|
|||
|
|
|
|||
|
|
# Масштабируем признаки и целевую переменную
|
|||
|
|
scaler = StandardScaler()
|
|||
|
|
X_train_scaled = scaler.fit_transform(X_train)
|
|||
|
|
X_test_scaled = scaler.transform(X_test)
|
|||
|
|
|
|||
|
|
# Создаем модель MLPRegressor
|
|||
|
|
mlp_regressor = MLPRegressor(hidden_layer_sizes=(100, 50), max_iter=1500, random_state=42)
|
|||
|
|
|
|||
|
|
# Обучаем модель на тренировочных данных
|
|||
|
|
mlp_regressor.fit(X_train_scaled, y_train)
|
|||
|
|
|
|||
|
|
# Делаем предсказания на тестовых данных
|
|||
|
|
predictions = mlp_regressor.predict(X_test_scaled)
|
|||
|
|
|
|||
|
|
# Оцениваем производительность модели
|
|||
|
|
mse = mean_squared_error(y_test, predictions)
|
|||
|
|
mae = mean_absolute_error(y_test, predictions)
|
|||
|
|
r2 = r2_score(y_test, predictions)
|
|||
|
|
|
|||
|
|
print(f"Среднеквадратичная ошибка (MSE): {round(math.sqrt(mse), 2)}%")
|
|||
|
|
print(f"Среднеабсолютное отклонение (MAE): {round(mae, 2)}%")
|
|||
|
|
print(f"Коэффициент детерминации (R^2): {round(r2, 4) * 100}%")
|