84 lines
3.6 KiB
Python
84 lines
3.6 KiB
Python
|
"""
|
|||
|
|
Использовать нейронную сеть по варианту для ваших данных по варианту, самостоятельно сформулировав задачу.
|
|||
|
|
Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
|
|||
|
|
"""
|
|||
|
|
|
|||
|
|
"""
|
|||
|
|
Задача, решаемая нейронной сетью:
|
|||
|
|
Регрессия: Предсказание популярности нового музыкального трека на основе его определённых характеристик.
|
|||
|
|
"""
|
|||
|
|
|
|||
|
|
# 12 вариант
|
|||
|
|
# Набор данных по курсовой: "Prediction of music genre"
|
|||
|
|
# Модель мейронной сети: MLPRegressor
|
|||
|
|
|
|||
|
|
import pandas as pd
|
|||
|
|
import seaborn as sns
|
|||
|
|
import matplotlib.pyplot as plt
|
|||
|
|
from sklearn import metrics
|
|||
|
|
from sklearn.neural_network import MLPRegressor
|
|||
|
|
from sklearn.model_selection import train_test_split
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
DATASET_FILE = 'music_genre.csv'
|
|||
|
|
|
|||
|
|
|
|||
|
|
def main():
|
|||
|
|
df = open_dataset(DATASET_FILE) # берём полный набор данных
|
|||
|
|
print("\033[92m[----------> Набор данных <----------]\033[00m")
|
|||
|
|
print(df)
|
|||
|
|
|
|||
|
|
# Перевод ладов (минор/мажор) в числовые признаки
|
|||
|
|
df_music = df.copy()
|
|||
|
|
df_music['mode'] = df_music['mode'].apply(lambda x: 1 if x == 'Major' else 0)
|
|||
|
|
|
|||
|
|
X = df_music.drop(columns=['popularity']) # характеристики музыкального трека
|
|||
|
|
y = df_music['popularity'] # уровень популярности
|
|||
|
|
|
|||
|
|
# Разделение датасета на тренировочные (99%) и тестовые данные (1%)
|
|||
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01)
|
|||
|
|
|
|||
|
|
model = MLPRegressor(
|
|||
|
|
# несколько размеров слоёв и узлов
|
|||
|
|
hidden_layer_sizes=(50, 50, 50, 50,),
|
|||
|
|
# функция активации (relu, tanh, identity)
|
|||
|
|
activation='relu',
|
|||
|
|
max_iter=2000
|
|||
|
|
)
|
|||
|
|
model.fit(X_train, y_train)
|
|||
|
|
|
|||
|
|
# Предсказание на тестовых данных
|
|||
|
|
y_pred = model.predict(X_test)
|
|||
|
|
|
|||
|
|
print("\033[92m[----------> Оценка модели <----------]\033[00m")
|
|||
|
|
print("Коэффициент детерминации = ",
|
|||
|
|
round(metrics.r2_score(y_test, y_pred), 3))
|
|||
|
|
print("Потери регрессии среднеквадратичной логарифмической ошибки = ",
|
|||
|
|
round(metrics.mean_squared_log_error(y_test, y_pred), 3))
|
|||
|
|
|
|||
|
|
# График для наглядности
|
|||
|
|
sns.regplot(x=y_test, y=y_pred, scatter_kws={'s': 10}, line_kws={'color': 'red'})
|
|||
|
|
plt.xlabel('Реальность')
|
|||
|
|
plt.ylabel('Предсказание')
|
|||
|
|
plt.title('MLPRegressor на примере популярности треков')
|
|||
|
|
plt.savefig("1_plot_result")
|
|||
|
|
plt.show()
|
|||
|
|
|
|||
|
|
|
|||
|
|
# Функция считывания и очищения csv-файла
|
|||
|
|
def open_dataset(csv_file):
|
|||
|
|
# открываем файл с указанием знака-отделителя
|
|||
|
|
df = pd.read_csv(csv_file, delimiter=',')
|
|||
|
|
# выбираем необходимые признаки
|
|||
|
|
df = df[['mode', 'tempo', 'instrumentalness', 'acousticness', 'speechiness', 'danceability',
|
|||
|
|
'energy', 'liveness', 'valence', 'loudness', 'popularity']]
|
|||
|
|
# очищаем набор данных от пустых и неподходящих значений
|
|||
|
|
df = df[df['tempo'] != '?']
|
|||
|
|
df = df.dropna()
|
|||
|
|
return df
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
if __name__ == "__main__":
|
|||
|
|
main()
|