27 lines
2.4 KiB
Markdown
27 lines
2.4 KiB
Markdown
|
### Вариант 9
|
|||
|
|
### Задание на лабораторную работу:
|
|||
|
|
Решите с помощью библиотечной реализации дерева решений задачу: Запрограммировать дерево решений как минимум на 99% ваших данных для задачи: Зависимость глубины алмаза (depth) от длины (x), ширины (y) и высоты алмаза (z) . Проверить работу модели на оставшемся проценте, сделать вывод.
|
|||
|
|
|
|||
|
|
### Как запустить лабораторную работу:
|
|||
|
|
Выполняем файл gusev_vladislav_lab_3.py, решение будет в консоли.
|
|||
|
|
|
|||
|
|
### Технологии
|
|||
|
|
Sklearn - библиотека с большим количеством алгоритмов машинного обучения. Нам понадобится библиотека для дерева решения регрессии sklearn.tree.DecisionTreeRegressor.
|
|||
|
|
|
|||
|
|
### По коду
|
|||
|
|
1) Для начала загружаем данные из csv файла
|
|||
|
|
2) Разделеям данные на признаки (X) и целевую переменную (y)
|
|||
|
|
3) Разделяем данные на обучающее и тестовые
|
|||
|
|
4) Обучаем дерево регрессией (model)
|
|||
|
|
5) Выводим важность признаков, предсказание значений на тестовой выборке и оценку производительности модели
|
|||
|
|
|
|||
|
|
Пример:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
### Вывод
|
|||
|
|
- score: ~0.88. Это мера того, насколько хорошо модель соответствует данным. По значению 88% можно сказать, что модель хорошо соответствует данным.
|
|||
|
|
- feature_importances: ~0.26, ~0.34, ~0,39. Это говорит о важности признаков для нашей модели. Можно сказать, что высота (z) имеет наибольшую важность.
|
|||
|
|
- Mean Squared Error: 0.22. Это ошибка модели. Это говорит о том, что модель в среднем ошибается в 22% случаев.
|
|||
|
|
|
|||
|
|
По итогу можно сказать, что модель отработала хорошо, из-за score ~0.88.
|