47 lines
4.4 KiB
Markdown
47 lines
4.4 KiB
Markdown
|
### Вариант 9
|
|||
|
|
### Задание на лабораторную работу:
|
|||
|
|
Использовать нейронную сеть MLPClassifier для данных из курсовой работы,
|
|||
|
|
самостоятельно сформулировав задачу. Интерпретировать результаты и
|
|||
|
|
оценить, насколько хорошо она подходит для решения сформулированной
|
|||
|
|
вами задачи.
|
|||
|
|
### Как запустить лабораторную работу:
|
|||
|
|
Выполняем файл gusev_vladislav_lab_6.py, решение будет в консоли.
|
|||
|
|
|
|||
|
|
### Технологии
|
|||
|
|
Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
|
|||
|
|
|
|||
|
|
### Задача
|
|||
|
|
Мною было принято решение посмотреть, как зависит цена алмазов от их
|
|||
|
|
карат, глубины и размера верхней грани (table)
|
|||
|
|
### По коду
|
|||
|
|
1) Для начала загружаем данные из csv файла
|
|||
|
|
2) Разделяем данные на обучающее и тестовые
|
|||
|
|
3) Рескейлим данные
|
|||
|
|
4) Задаем MLPClassifier и обучаем. Предсказываем данные и оцениваем производительность
|
|||
|
|
5) Выводим в консоль
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
### По консоли
|
|||
|
|
Accuracy: Это процент правильных предсказаний модели на тестовом наборе данных. Например, если значение
|
|||
|
|
|
|||
|
|
Classification Report (Отчет о классификации): Этот отчет предоставляет детализированную информацию о производительности модели для каждой категории (класса). Включает следующие метрики:
|
|||
|
|
|
|||
|
|
Precision (Точность): Доля объектов, которые правильно классифицированы как принадлежащие к данному классу относительно всех объектов, которые модель классифицировала как этот класс. Точность измеряет, насколько модель избегает ложных положительных результатов.
|
|||
|
|
|
|||
|
|
Recall (Полнота): Доля объектов, которые правильно классифицированы как принадлежащие к данному классу относительно всех объектов этого класса в исходных данных. Полнота измеряет способность модели обнаруживать объекты данного класса.
|
|||
|
|
|
|||
|
|
F1-Score: Гармоническое среднее точности и полноты. Эта метрика объединяет точность и полноту в одну метрику и помогает балансировать их.
|
|||
|
|
|
|||
|
|
Support (Поддержка): Количество объектов в данном классе.
|
|||
|
|
|
|||
|
|
High, low и medium, это высокие, низкие и средние значения столбца Price.
|
|||
|
|
|
|||
|
|
Accuracy (Точность): Это процент правильных классификаций моделью
|
|||
|
|
|
|||
|
|
Macro Avg (Макро среднее): Это среднее значение метрик для каждого класса, вычисленное независимо для каждого класса и затем усредненное. Это не учитывает разницу в размере классов и рассматривает все классы как равнозначные.
|
|||
|
|
|
|||
|
|
Weighted Avg (Взвешенное среднее): Это взвешенное среднее метрик, учитывая размер каждого класса. Это может быть полезным, когда классы имеют различные размеры (например, один класс больше другого).
|
|||
|
|
### Вывод
|
|||
|
|
- Точность вышла крайне высокой, из чего можно сделать вывод, что модель отлично подходит для
|
|||
|
|
выбранной задачи
|