Merge pull request 'kutygin_andrey_lab_6_ready' (#154) from kutygin_andrey_lab_6 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/154

kutygin_andrey_lab_6/README.md

@@ -0,0 +1,38 @@
+**Задание**
+***
+Использовать нейронную сеть MLPClassifier для данных из таблицы 1 по
+варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи
+
+**Как запустить лабораторную**
+***
+Запустить файл main.py
+
+**Используемые технологии**
+***
+Библиотеки pandas, scikit-learn, их компоненты
+
+**Описание лабораторной (программы)**
+***
+В представленном коде мы используем MLPClassifier (многослойный персептрон) для предсказания формы НЛО на основе доступных атрибутов. 
+
+1. Загружаем данные из файла CSV с помощью библиотеки pandas.
+2. Проверяем наличие пропущенных значений в данных с помощью метода isna().sum(), где isna() обнаруживает пропущенные значения, а sum() возвращает число пропущенных значений для каждого столбца.
+3. Заменяем пропущенные значения в категориальных столбцах (state/province, country, UFO_shape) на наиболее часто встречающиеся значения, используя метод mode()[0].
+4. Удаляем строки с пропущенными значениями в числовом столбце UFO_shape с помощью метода dropna(subset=['UFO_shape']).
+5. Преобразуем текстовый атрибут UFO_shape в числовые значения, используя LabelEncoder.
+6. Разделяем данные на атрибуты (X) и целевую переменную (y).
+7. Разделяем данные на обучающую и тестовую выборки с помощью метода train_test_split().
+8. Создаем объект модели MLPClassifier с указанием размерности скрытого слоя (hidden_layer_sizes=(100,)) и количества итераций (max_iter=1000).
+9. Обучаем модель на обучающей выборке с помощью метода fit().
+10. Получаем предсказания на тестовой выборке с помощью метода predict().
+11. Оцениваем точность модели с помощью метрики accuracy_score, сравнивая предсказанные значения с истинными.
+12. Выводим точность модели.
+
+**Результат**
+***
+Мы можем сделать выводы о точности модели на основе значения accuracy.
+
+Accuracy: 0.125
+
+Чем ближе значение к 1, тем более точная модель. Однако, точность нашей модели довольна низкая, так как предсказание формы НЛО может быть трудной задачей, основываясь только на доступных атрибутах.
+

kutygin_andrey_lab_6/main.py

@@ -0,0 +1,40 @@
+import pandas as pd
+from sklearn.neural_network import MLPClassifier
+from sklearn.preprocessing import LabelEncoder
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score
+# Загрузим данные из файла (пример)
+data = pd.read_csv("ufo_sighting_data.csv")
+
+# Проверим наличие пропущенных значений
+print(data.isna().sum())
+
+# Заменим пропущенные значения в категориальных столбцах на наиболее часто встречающиеся значения
+data['state/province'].fillna(data['state/province'].mode()[0], inplace=True)
+data['country'].fillna(data['country'].mode()[0], inplace=True)
+data['UFO_shape'].fillna(data['UFO_shape'].mode()[0], inplace=True)
+
+# Избавимся от пропущенных значений в числовых столбцах
+data = data.dropna(subset=['UFO_shape'])
+
+# Преобразуем текстовые атрибуты в числовые значения
+label_encoder = LabelEncoder()
+data['UFO_shape'] = label_encoder.fit_transform(data['UFO_shape'])
+
+# Выделим атрибуты и целевую переменную
+X = data[['UFO_shape', 'length_of_encounter_seconds', 'latitude', 'longitude']]
+y = data['UFO_shape']
+
+# Разделим данные на обучающую и тестовую выборки
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Создадим и обучим модель
+model = MLPClassifier(hidden_layer_sizes=(100,), max_iter=1000, random_state=42)
+model.fit(X_train, y_train)
+
+# Получим предсказания на тестовой выборке
+y_pred = model.predict(X_test)
+
+# Оценим точность модели
+accuracy = accuracy_score(y_test, y_pred)
+print("Accuracy:", accuracy)