Merge pull request 'arzamaskina_milana_lab_6 is ready' (#244) from arzamaskina_milana_lab_6 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/244

arzamaskina_milana_lab_6/README.md

@@ -0,0 +1,82 @@
+# Лабораторная работа №6
+
+## Нейронная сеть
+
+#### ПИбд-41 Арзамаскина Милана
+#### Вариант №2
+
+## Задание:
+
+Использовать  нейронную  сеть для  данных  из  таблицы  1  по  варианту,
+самостоятельно  сформулировав  задачу.
+Интерпретировать  результаты  и оценить,  насколько  хорошо  она подходит  для  решения сформулированной вами задачи.
+
+Задача по варианту №2: с помощью нейронной сети MLPRegressor.
+
+#### Формулировка задачи: 
+Задача: посмотреть, как зависит количество выбросов промышленным производством,
+от таких признаков как: выбросы от сжигания и газа.
+
+Зависит ли количество выбросов промышленным производством от сжигания (огня) и газа,
+так как производства могут применять сжигание с целью избавления от промышленных выбросов.
+
+## Данные:
+
+Этот набор данных обеспечивает углубленный анализ глобальных выбросов CO2 на уровне страны, позволяя лучше понять, 
+какой вклад каждая страна вносит в глобальное совокупное воздействие человека на климат. 
+Он содержит информацию об общих выбросах, а также от добычи и сжигания угля, нефти, газа, цемента и других источников. 
+Данные также дают разбивку выбросов CO2 на душу населения по странам, показывая, 
+какие страны лидируют по уровням загрязнения, и определяют потенциальные области, 
+где следует сосредоточить усилия по сокращению выбросов. 
+Этот набор данных необходим всем, кто хочет получить информацию о своем воздействии на окружающую среду 
+или провести исследование тенденций международного развития.
+
+Данные организованы с использованием следующих столбцов: 
+
++ Country: название страны
++ ISO 3166-1 alpha-3: трехбуквенный код страны
++ Year: год данных исследования
++ Total: общее количество CO2, выброшенное страной в этом году
++ Coal: количество CO2, выброшенное углем в этом году
++ Oil: количество выбросов нефти
++ Gas: количество выбросов газа
++ Cement: количество выбросов цемента
++ Flaring: выбросы от сжигания
++ Other: другие формы, такие как промышленные процессы
++ Per Capita: столбец «на душу населения» 
+
+
+### Какие технологии использовались:
+
+Используемые библиотеки:
+* pandas
+* matplotlib
+* sklearn
+
+### Как запустить:
+
+* установить python, sklearn, pandas, matplotlib
+* запустить проект (стартовая точка - main.py)
+
+### Что делает программа:
+
+* Загружает набор данных из файла 'CO2.csv', который содержит информацию о выбросах странами CO2 в год от различной промышленной деятельности.
+* Очищает набор данных путём удаления строк с нулевыми значениями и глобальными значениями по всем странам (строки 'Global') из набора.
+* Выбирает набор признаков (features) из данных, которые будут использоваться.
+* Определяет целевую переменную (task) является 'other'.
+* Делит данные на обучающий и тестовый наборы для обеих задач с использованием функции train_test_split. Тестовый набор составляет 10% от исходных данных.
+* Решает задачу регрессии с помощью нейронной сети MLPRegressor.
+* Предсказывает значения целевой переменной на тестовых наборах.
+* Выводит коэффициент детерминации для оценки соответствия модели данным.
+
+
+#### Результаты работы программы:
+
+![Result](img.png)
+![Result](img_1.png)
+
+
+### Вывод:
+
+Точность работы модели на выбранных данных достаточно низкая, модель не справилась со своей задачей, возможно, 
+другие методы могут выдать лучшие результаты, либо необходима модификация модели.

arzamaskina_milana_lab_6/main.py

@@ -0,0 +1,43 @@
+import pandas as pd
+from matplotlib import pyplot as plt
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPRegressor
+
+# Загрузка данных из файла
+data = pd.read_csv("CO2.csv")
+data = data.dropna()
+data = data[data.Country != 'Global']
+
+# Выбор признаков и целевой переменной
+features = data[['Flaring', 'Gas']]
+task = data['Other']
+
+# Разделение данных на обучающую и тестовую выборки
+X_train, X_test, y_train, y_test = train_test_split(features, task, test_size=0.1, random_state=42)
+
+# Обучение модели
+model = MLPRegressor(
+    hidden_layer_sizes=(25, 25),
+    activation='relu',
+    solver='adam',
+    random_state=42
+)
+model.fit(X_train, y_train)
+
+# Оценка качества модели на тестовой выборке
+y_pred = model.predict(X_test)
+score = model.score(X_test, y_test)
+print("Коэффициент детерминации на тестовых данных:", score)
+
+# Оценка точности модели на тестовой выборке
+accuracy = model.score(X_test, y_test)
+print(f'Точность модели: {accuracy}')
+
+# Визуализация модели
+plt.scatter(y_test, y_pred)
+plt.plot([y_test.min(), y_test.max()],
+         [y_test.min(), y_test.max()], lw=2)
+plt.xlabel('Фактическое значение')
+plt.ylabel('Предсказанное значение')
+plt.title('Результаты предсказания модели MLPRegressor количества выбросов промышленным производством')
+plt.show()