51 lines
2.3 KiB
Python
51 lines
2.3 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.preprocessing import StandardScaler
|
||
|
|
|
||
|
|
# загрузка и обработка данных
|
||
|
|
tutors_data = pd.read_csv('tutors.csv')
|
||
|
|
tutors_data = tutors_data.dropna()
|
||
|
|
|
||
|
|
status_coding = {'Student': 0, 'School teacher': 1, 'Postgraduate student': 2, 'Private tutor': 3, 'University professor': 4, 'Native speaker': 5}
|
||
|
|
tutors_data['Status'] = tutors_data['Status'].replace(status_coding)
|
||
|
|
|
||
|
|
photo_coding = {'No': 0, 'Yes': 1}
|
||
|
|
tutors_data['Photo'] = tutors_data['Photo'].replace(photo_coding)
|
||
|
|
tutors_data['Video_presentation'] = tutors_data['Video_presentation'].replace(photo_coding)
|
||
|
|
|
||
|
|
# выбор признаков и целевой переменной
|
||
|
|
X = tutors_data[['Score', 'Reviews_number', 'Experience', 'Status', 'Video_presentation', 'Photo']]
|
||
|
|
y = tutors_data['Price']
|
||
|
|
|
||
|
|
# разделение данных на обучащий и тестовый наборы
|
||
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.05, random_state=42)
|
||
|
|
|
||
|
|
# масштабирование данных
|
||
|
|
scaler = StandardScaler()
|
||
|
|
X_train = scaler.fit_transform(X_train)
|
||
|
|
X_test = scaler.transform(X_test)
|
||
|
|
|
||
|
|
# создание и обучение модели MLPRegressor
|
||
|
|
model = MLPRegressor(hidden_layer_sizes=(100, 100), activation='relu', solver='adam', random_state=42)
|
||
|
|
model.fit(X_train, y_train)
|
||
|
|
# предсказание стоимости занятия
|
||
|
|
predictions = model.predict(X_test)
|
||
|
|
# оценка качества модели
|
||
|
|
score = model.score(X_test, y_test)
|
||
|
|
print(f"Качество модели = {score:.2f}")
|
||
|
|
|
||
|
|
# вывод результатов в консоль
|
||
|
|
test_data = y_test.values
|
||
|
|
print("------------ СТОИМОСТИ ЗАНЯТИЙ ------------")
|
||
|
|
for i in range(len(predictions)):
|
||
|
|
print(f"Фактическая: {test_data[i]}\t\tПредсказанная: {int(predictions[i])}")
|
||
|
|
|
||
|
|
# отображение результатов на графике
|
||
|
|
plt.scatter(y_test, predictions, color='b')
|
||
|
|
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], color='r')
|
||
|
|
plt.xlabel("Фактическая стоимость занятия")
|
||
|
|
plt.ylabel("Предсказанная стоимость занятия")
|
||
|
|
plt.title("MLPRegressor")
|
||
|
|
plt.show()
|