simonov_nikita_lab6

simonov_nikita_lab_6/lab6.py

@@ -0,0 +1,57 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPClassifier
+from sklearn.preprocessing import StandardScaler
+from sklearn.metrics import accuracy_score
+import seaborn as sns
+
+# Загрузка датасета
+data = pd.read_csv('train_bikes.csv', sep=',').dropna()
+
+data['is_holiday'] = data['holiday'].apply(lambda x: 1 if x == 1 else 0)
+data['is_workingday'] = data['workingday'].apply(lambda x: 1 if x == 1 else 0)
+
+# Выбор признаков
+features = ['weather', 'temp', 'humidity', 'is_holiday', 'is_workingday']
+target = 'count'
+
+X = data[features]
+y = data[target]
+
+# Разбиваем на тестовую и тренировочную выборки
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Стандартизация признаков
+scaler = StandardScaler()
+X_train = scaler.fit_transform(X_train)
+X_test = scaler.transform(X_test)
+
+# Создание и обучение нейронной сети MLPClassifier
+model = MLPClassifier(
+    hidden_layer_sizes=(500,),
+    activation='relu',
+    solver='adam',
+    alpha=0.01,
+    max_iter=100,
+    random_state=42,
+    verbose=True,
+)
+model.fit(X_train, y_train)
+
+# Предсказание значений
+y_pred = model.predict(X_test)
+
+# Оценка модели
+accuracy = accuracy_score(y_test, y_pred)
+print(f'Оценка точности: {accuracy*100:.2f}%')
+
+# Визуализация результатов (гистограмма)
+plt.figure(figsize=(10, 6))
+sns.scatterplot(x=y_test, y=y_pred, hue=X_test[:, 0], palette='viridis', alpha=0.7, s=80)
+plt.plot([min(y_test), max(y_test)], [min(y_test), max(y_test)], linestyle='--', color='gray', linewidth=2)
+plt.xlabel('Фактическое количество арендованных велосипедов')
+plt.ylabel('Предсказанное количество арендованных велосипедов')
+plt.title('Фактическое vs Предсказанное количество арендованных велосипедов')
+plt.legend(title='Погодные условия', loc='upper left')
+plt.show()

simonov_nikita_lab_6/readme.md

@@ -0,0 +1,112 @@
+# Лабораторная работа №6 Вариант 25.
+
+## Задание
+
+Общее задание: Использовать нейронную сеть MLPClassifier, самостоятельно сформулировав задачу.
+
+Задача регрессии: Прогнозирования спроса на аренду велосипедов на основе данных о погоде и днях недели.
+
+Ссылка на набор даных: [kaggle-bike-sharing-system](https://www.kaggle.com/datasets/itssuru/bike-sharing-system-washington-dc/?select=train_bikes.csv)
+
+## Содержание
+- [Лабораторная работа №6 Вариант 25.](#лабораторная-работа-6-вариант-25)
+  - [Задание](#задание)
+  - [Содержание](#содержание)
+  - [Введение](#введение)
+  - [Зависимости](#зависимости)
+  - [Запуск приложения](#запуск-приложения)
+  - [Описание кода](#описание-кода)
+  - [Заключение](#заключение)
+    - [Оценка работы моделей](#оценка-работы-моделей)
+    - [На основе анализа можно сделать следующие выводы:](#на-основе-анализа-можно-сделать-следующие-выводы)
+    - [Общий вывод](#общий-вывод)
+
+## Введение
+
+Данный код демонстрирует, использует классификатор MLP (Многослойный Персептрон) из библиотеки scikit-learn для прогнозирования количества арендованных велосипедов на основе различных признаков.
+
+## Зависимости
+
+Для работы этого приложения необходимы следующие библиотеки Python:
+
+- pandas
+- scikit-learn
+- NumPy
+- Matplotlib
+- seaborn
+
+Вы можете установить их с помощью pip:
+
+```bash
+pip install numpy scikit-learn pandas matplotlib seaborn
+```
+
+## Запуск приложения
+
+Чтобы запустить эту программу, выполните следующую команду:
+
+```bash
+python lab6.py
+```
+Откроется визуализация данных и в консоль выведется резудьтат.
+
+## Описание кода
+
+- Загрузка данных из файла train_bikes.csv с использованием библиотеки pandas. Пропущенные значения удаляются из набора данных.
+
+- Формирование бинарных признаков 'is_holiday' и 'is_workingday' на основе столбцов 'holiday' и 'workingday'.
+
+- Выбор признаков: 'weather', 'temp', 'humidity', 'is_holiday', 'is_workingday'. Целевая переменная: 'count'.
+
+- Разделение данных на обучающий, валидационный и тестовый наборы.
+
+```python
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+```
+
+- Создание и обучение модели MLPClassifier с использованием обучающего набора.
+
+```python
+model = MLPClassifier(
+    hidden_layer_sizes=(500,),
+    activation='relu',
+    solver='adam',
+    alpha=0.01,
+    max_iter=100,
+    random_state=42,
+    verbose=True,
+)
+model.fit(X_train, y_train)
+```
+
+- Предсказание значений на тестовом наборе и оценка точности модели.
+
+```python
+y_pred = model.predict(X_test)
+accuracy = accuracy_score(y_test, y_pred)
+print(f'Оценка точности: {accuracy*100:.2f}%')
+```
+
+- Визуализация результатов с использованием библиотеки seaborn.
+
+## Заключение
+
+### Оценка работы моделей
+
+```bash
+Оценка точности: 1.56%
+```
+
+![](result.png)
+
+### На основе анализа можно сделать следующие выводы:
+
+1. Коэффициенты линейной регрессии:
+
+- Точность модели на тестовом наборе данных низкая (1.56%). Это может свидетельствовать о том, что выбранные признаки и параметры модели не достаточно хорошо описывают зависимость от целевой переменной.
+
+2. Визуализация результатов позволяет визуально сравнить фактическое и предсказанное количество арендованных велосипедов.
+
+### Общий вывод
+
+Модель MLPClassifier, основанная на погодных условиях и днях недели, демонстрирует низкую точность.