50 lines
2.0 KiB
Python
50 lines
2.0 KiB
Python
|
import pandas as pd
|
||
|
|
from matplotlib import pyplot as plt
|
||
|
|
from sklearn.model_selection import train_test_split
|
||
|
|
from sklearn.neural_network import MLPRegressor
|
||
|
|
from sklearn.metrics import mean_squared_error, mean_absolute_error
|
||
|
|
|
||
|
|
# Загрузка данных
|
||
|
|
data = pd.read_csv("F1DriversDataset.csv")
|
||
|
|
|
||
|
|
# Выбор признаков и целевой переменной
|
||
|
|
features = ['Race_Entries', 'Race_Starts', 'Pole_Positions', 'Race_Wins', 'Podiums', 'Fastest_Laps']
|
||
|
|
target = 'Championships'
|
||
|
|
X = data[features]
|
||
|
|
y = data[target]
|
||
|
|
|
||
|
|
# Разделение данных на обучающую и тестовую выборки
|
||
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.05, random_state=42)
|
||
|
|
|
||
|
|
# Обучение модели
|
||
|
|
model = MLPRegressor(
|
||
|
|
hidden_layer_sizes=(20, 20),
|
||
|
|
activation='relu',
|
||
|
|
solver='adam',
|
||
|
|
random_state=42
|
||
|
|
)
|
||
|
|
model.fit(X_train, y_train)
|
||
|
|
|
||
|
|
# Оценка качества модели на тестовой выборке
|
||
|
|
y_pred = model.predict(X_test)
|
||
|
|
score = model.score(X_test, y_test)
|
||
|
|
print("Коэффициент детерминации R^2 на тестовой выборке:", score)
|
||
|
|
|
||
|
|
# Предсказание количества чемпионских титулов для гонщика
|
||
|
|
new_features = []
|
||
|
|
for feature in features:
|
||
|
|
value = float(input(f"Введите значение для {feature}: "))
|
||
|
|
new_features.append(value)
|
||
|
|
new_features = [new_features]
|
||
|
|
predicted_championships = model.predict(new_features)
|
||
|
|
print("Предсказанное количество чемпионских титулов:", predicted_championships[0])
|
||
|
|
|
||
|
|
# Визуализация модели
|
||
|
|
|
||
|
|
plt.scatter(y_test, y_pred)
|
||
|
|
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'k--', lw=2)
|
||
|
|
plt.xlabel('Фактическое количество чемпионских титулов')
|
||
|
|
plt.ylabel('Предсказанное количество чемпионских титулов')
|
||
|
|
plt.title('Предсказания модели MLPRegressor')
|
||
|
|
plt.show()
|