simonov_nikita_lab6

This commit is contained in:
Никита Симонов 2023-11-29 20:02:59 +04:00
parent a8c58683dd
commit 1901af6d57
4 changed files with 11056 additions and 0 deletions

View File

@ -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()

View File

@ -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.

Binary file not shown.

After

Width:  |  Height:  |  Size: 236 KiB

File diff suppressed because it is too large Load Diff