34 lines
3.4 KiB
Markdown
34 lines
3.4 KiB
Markdown
|
# Задание
|
|||
|
|
Использовать нейронную сеть MLPClassifier для данных из файла `person_types.csv`, для задачи: предсказать пол человека на основе имеющихся данных.
|
|||
|
|
### Как запустить лабораторную работу:
|
|||
|
|
ЛР запускается в файле main.py через Run, а затем в консоли должны появится вычисления, а также появится диаграмма
|
|||
|
|
|
|||
|
|
### Технологии
|
|||
|
|
Библиотека sklearn.neuralnetwork содержит реализацию MLP (Multilayer Perceptron) - это алгоритм искусственного нейронного сети для классификации и регрессии.
|
|||
|
|
Классификатор MLPClassifier является реализацией многослойного перцептрона для задач классификации.
|
|||
|
|
Библиотеки numpy, pandas, matplotlib
|
|||
|
|
|
|||
|
|
### Что делает программа:
|
|||
|
|
Создает и обучает модель нейронной сети с помощью MLPClassifier. Оценивает точность модели с помощью функции. Строит матрицу ошибок и выводит отчет о классификации
|
|||
|
|
|
|||
|
|
### Результат:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Accuracy: 0.7: Это означает, что модель правильно предсказала пол (Мужчина/Женщина) для 70% примеров в тестовом наборе данных.
|
|||
|
|
|
|||
|
|
Матрица ошибок (Confusion Matrix):
|
|||
|
|
|
|||
|
|
* True Positive (TP): 5 примеров правильно предсказаны как Мужчина.
|
|||
|
|
* True Negative (TN): 9 примеров правильно предсказаны как Женщина.
|
|||
|
|
* False Positive (FP): 4 примера предсказаны как Мужчина, но на самом деле Женщина.
|
|||
|
|
* False Negative (FN): 2 примера предсказаны как Женщина, но на самом деле Мужчина.
|
|||
|
|
|
|||
|
|
Отчет по классификации
|
|||
|
|
|
|||
|
|
- **Precision (Точность)**: Точность - это соотношение правильно предсказанных положительных наблюдений ко всем предсказанным положительным. Для Женщин это 0.82, а для Мужчин 0.56.
|
|||
|
|
- **Recall (Полнота)**: Полнота - это соотношение правильно предсказанных положительных наблюдений ко всем наблюдениям в фактическом классе. Для Женщин это 0.69, а для Мужчин 0.71.
|
|||
|
|
- **F1-Score**: Взвешенное среднее точности и полноты. Для Женщин это 0.75, а для Мужчин 0.63.
|
|||
|
|
|
|||
|
|
### Вывод
|
|||
|
|
В целом модель показывает приемлемую производительность, но есть место для улучшений, особенно в правильном предсказании примеров Мужчин. Возможно, корректировка гиперпараметров или попробовать другие модели может улучшить результаты.
|