kondrashin_mikhail_lab_3_ready

kondrashin_mikhail_lab_3/README.md

@@ -0,0 +1,26 @@
+#### Кондрашин Михаил ПИбд-41
+
+## Лабораторная работа 3. Деревья решений
+
+### Запуск лабораторной работы:
+
+* установить `python`, `numpy`, `matplotlib`, `sklearn`
+* запустить проект (стартовая точка класс `main.py`)
+
+### Используемые технологии:
+
+* Язык программирования `Python`,
+* Библиотеки `numpy`, `matplotlib`, `sklearn`
+* Среда разработки `IntelliJ IDEA` (В версии "Ultimate edition" можно писать на python)
+
+### Описание решения:
+
+* Выполняет ранжирование признаков для регрессионной модели
+* По данным "WindData" решает задачу классификации (с помощью дерева решений), в которой необходимо определить статистические параметры ветра, влияющие на классификацию по каждому из классов интенсивности турбулентности в соответствии с международной классификацией IEC-614000-1 ed.3.
+
+
+### Результат:
+![Result](images/result.png)
+
+Как видно из результата работы программы - для каждого класса интенсивности турбулентности ключевым является показатель скорости ветра, наиболее выражено это для класса "С", наименее - для класса "B" 
+

kondrashin_mikhail_lab_3/main.py

@@ -0,0 +1,41 @@
+from sklearn.model_selection import train_test_split
+from sklearn.tree import DecisionTreeClassifier
+import pandas as pd
+import numpy as np
+
+pd.options.mode.chained_assignment = None
+
+FILE_PATH = "WindData.csv"
+REQUIRED_COLUMNS = ['TI1', 'V1']
+TARGET_COLUMN_1 = 'TurbulenceIntensityClassA'
+TARGET_COLUMN_2 = 'TurbulenceIntensityClassB'
+TARGET_COLUMN_3 = 'TurbulenceIntensityClassC'
+
+
+def print_classifier_info(feature_importance):
+    feature_names = REQUIRED_COLUMNS
+    embarked_score = feature_importance[-3:].sum()
+    scores = np.append(feature_importance[:2], embarked_score)
+    scores = map(lambda score: round(score, 2), scores)
+    print(dict(zip(feature_names, scores)))
+
+
+def actions(target_column):
+    data = pd.read_csv(FILE_PATH)
+
+    X = data[REQUIRED_COLUMNS]
+    y = data[target_column]
+
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=100)
+
+    classifier_tree = DecisionTreeClassifier(random_state=100)
+    classifier_tree.fit(X_train, y_train)
+
+    print_classifier_info(classifier_tree.feature_importances_)
+    print("Оценка качества классификации ", target_column, " - ", classifier_tree.score(X_test, y_test))
+
+
+if __name__ == '__main__':
+    actions(TARGET_COLUMN_1)
+    actions(TARGET_COLUMN_2)
+    actions(TARGET_COLUMN_3)