лаба 3 реади

antonov_dmitry_lab_3/README.md

@@ -0,0 +1,85 @@
+# Лаб 3
+
+Деревья решений
+
+Часть 1. По данным о пассажирах Титаника решите задачу классификации
+(с помощью дерева решений), в которой по различным характеристикам
+пассажиров требуется найти у выживших пассажиров два наиболее важных
+признака из трех рассматриваемых (по варианту). Пример решения задачи
+можно посмотреть здесь: [1] (стр.188). Скачать данные можно по ссылке:
+https://www.kaggle.com/datasets/heptapod/titanic
+
+Часть 2. Решите с помощью библиотечной реализации дерева решений
+задачу из лабораторной работы «Веб-сервис «Дерево решений» по предмету
+«Методы искусственного интеллекта» на 99% ваших данных. Проверьте
+работу модели на оставшемся проценте, сделайте вывод.
+
+# Вариант 3
+
+Признаки Sex,Age,SibSp
+
+# Запуск
+
+Выполнением скрипта файла (вывод в консоль).
+
+# Описание модели:
+
+DecisionTreeClassifier - это алгоритм машинного обучения, используемый для задач классификации и регрессии.
+Он представляет собой дерево решений, где на каждом узле дерева решается, какой вопрос задать дальше 
+(признак для дальнейшего разбиения данных), а в листьях находятся окончательные ответы.
+
+# Результаты
+
+На данных для Титаника модель определяет важность признаков с точность 75% (исключает 'sibsp').
+Эти два признака обладают статистической важностью.
+<p>
+    <div>Титаник</div>
+    <img src="screens/titanic.png" width="650" title="Титаник 1">
+</p>
+
+На данных моего датасета модель справляется на 52.768%, если в качестве предлагаемых параметров
+на вход идут ['Gender', 'Debtor', 'International'] (исключает 'International').
+
+<p>
+    <div>Мой датасет 1</div>
+    <img src="screens/mydataset1.png" width="650" title="Мой датасет 1">
+</p>
+
+И на 70.961, если на вход идут ['Gender', 'Debtor', 'Curricular units 2nd sem (approved)']
+(исключает 'Gender'). 
+
+<p>
+    <div>Мой датасет 2</div>
+    <img src="screens/mydataset2.png" width="650" title="Мой датасет 2">
+</p>
+
+Такой результат можно объяснить большей значимостью признака 'Curricular units 2nd sem (approved)' 
+вместо 'International' (было показано в предыдущей лабораторной).
+
+Из-за того, что мы взяли статистически более значимый признак, модель выдает нам большую точность.
+
+Точность 52.768% указывает на то, что модель работает на уровне случайности, что означает, что она 
+работает не лучше, чем случайное угадывание. Для этого может быть несколько причин:
+
+1. Признаки все имеет малое значение: то есть для сравнения подаются признаки статистически малозначимые. 
+
+2. Недостаточно данных: Набор данных может содержать недостаточно информации или примеров для 
+изучения моделью. Если набор данных невелик или нерепрезентативен, модель, возможно, не сможет 
+хорошо обобщить новые данные.
+
+3. Несбалансированные классы: Если классы в вашей целевой переменной несбалансированы 
+(например, случаев, не связанных с отсевом, гораздо больше, чем случаев отсева), модель может 
+быть смещена в сторону прогнозирования класса большинства.
+
+4. Переобучение: Модель может быть переобучена обучающими данным, что означает, что она изучает шум 
+в данных, а не лежащие в их основе закономерности. Это может произойти, если модель слишком сложна по 
+сравнению с объемом доступных данных.
+
+5. Недостаточное соответствие: С другой стороны, модель может быть слишком простой, чтобы отразить 
+взаимосвязи в данных. Важно выбрать соответствующий уровень сложности модели.
+
+<div>
+При отборе признаков должна учитываться их статистическая значимость, вычисленная различными способами
+(например с помощью лин регрессии, Random Forest Regressor, линейной корреляции f_regression или других).
+Так же должно быть достаточно данных, в модели должно быть сведено к минимуму переобучение.
+</div>

antonov_dmitry_lab_3/lab3.py

@@ -8,7 +8,7 @@ data = pd.read_csv('dataset.csv')
 
 # определение признаков
 # целевая переменная - Target
-X = data[['Gender', 'Debtor', 'International']]
+X = data[['Gender', 'Debtor', 'Curricular units 2nd sem (approved)']]
 y = data['Target']  # Assuming 'Dropout' is the target variable
 
 # разделили данные на тренировочную и тестовую выборки