IIS_2023_1/basharin_sevastyan_lab_4/README.md

## Лабораторная работа 4. Вариант 5.
### Задание 
Использовать метод кластеризации по варианту для набора данных, самостоятельно сформулировав задачу. 
Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вами задачи.
Алгоритм кластеризации: K-means

### Как запустить
Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
``` python
python main.py
```

### Используемые технологии
- Библиотека `pandas`, используемая для работы с данными для анализа scv формата.
- `sklearn` (scikit-learn): Scikit-learn - это библиотека для машинного обучения и анализа данных в Python. Из данной библиотеки были использованы следующие модули:
 - `KMeans` - реализация алгоритма K-means для кластеризации данных.
 - `LabelEncoder` - это класс из scikit-learn, используемый для преобразования категориальных признаков (например, строки) в числовые значения.
 - `matplotlib.pyplot` - библиотека для визуализации данных, используется для построения графика метода локтя и визуализации результатов кластеризации.

### Описание работы
#### Описание набора данных
Набор данных: набор данных о цене автомобиля в автопарке.

Названия столбцов набора данных и их описание:

- Id: Уникальный идентификатор для каждого автомобиля в списке.
- Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
- Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
- Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
- Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
- Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
- Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
- Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
- Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
- Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
- Assembly: Импорт или местный рынок.
- Body Type: Тип кузова.
- Transmission Type: Тип трансмиссии.
- Registration Status: Статус регистрации.

Ссылка на страницу набора на kuggle: [Ultimate Car Price Prediction Dataset](https://www.kaggle.com/datasets/mohidabdulrehman/ultimate-car-price-prediction-dataset/data)

#### Оцифровка и нормализация данных
Для нормальной работы с данными, необходимо исключить из них все нечисловые значения. 
После этого, представить все строковые значения параметров как числовые и очистить датасет от "мусора". 
Для удаления нечисловых значений воспользуемся функцией `.dropna()`.
Так же мы удаляем первый столбец `Id`, так как при открытии файла в `pd` он сам нумерует строки.

Все нечисловые значения мы преобразуем в числовые с помощью `LabelEncoder`:
```python
label_encoder = LabelEncoder()
data['Location'] = label_encoder.fit_transform(data['Location'])
data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
data['Color'] = label_encoder.fit_transform(data['Color'])
data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
```

#### Выбор признаков для кластеризации:
```python
features = ['Price', 'Model Year', 'Mileage', 'Engine Capacity']
```
Данный набор признаков был выбран, так как многие из них показали высокую важность в предыдущей лабораторной работе.

#### Метод локтя 
Алгоритм K-средних требует четкого задание количества кластеров. Выберем количество кластеров, используя метод локтя.
```python
from sklearn.cluster import KMeans

inertia = []
for n_clusters in range(1, 11):
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    kmeans.fit(data[features])
    inertia.append(kmeans.inertia_)
```
В результате мы получим следующий график:
![](elbow.png "Точность")
Анализирую этот график, видим, что примерно на 5-6 шаге инерция меняется уже не значительно. 
Задаем значение кластеров равным 5.
```python
optimal_clusters = 5
```

#### Применение K-means
K-means применяется с оптимальным числом кластеров, вычисленным на предыдущем этапе.
```python
from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=optimal_clusters, random_state=42)
data['Cluster'] = kmeans.fit_predict(data[features])
```

#### Интерпретация результатов
Для каждого кластера выводятся статистические характеристики выбранных признаков.
![](clust1.png "Точность")
![](clust2.png "Точность")

#### Визуализация результатов
Результаты кластеризации визуализируются на графике рассеяния, например, по двум признакам.
![](engine_clust.png "Точность")
![](mileage_clust.png "Точность")

### Вывод
На основе графиков и интерпретированных результатов можно сделать вывод, что кластеризация проведена
верно. Коэффициент силуэта: `0.62`. Коэффициент может варьироваться от -1 до 1, можно сказать, что оценка высокая и 
метод K-means подходит для решения поставленной задачи.