Merge pull request 'shadaev_anton_lab_6' (#136) from shadaev_anton_lab_6 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/136

shadaev_anton_lab_6/README.md

@@ -0,0 +1,47 @@
+# IIS_2023_1
+### Задание
+Использовать  нейронную  сеть (четные  варианты –MLPRegressor, нечетные –MLPClassifier) для  данных  из  таблицы  1  по  варианту, самостоятельно  сформулировав  задачу. Интерпретировать  результаты  и оценить,  насколько  хорошо  она подходит  для  решения сформулированной вами задачи.
+
+29 Вариант. MLPClassifier.
+
+### Способ запуска лабораторной работы
+Выполнить скрипт `shadaev_anton_lab_6/main.py`, после которого результат будет выведен в консоль.
+
+### Стек технологий
+* `Python`: v. 3.11
+* `Pandas` - библиотека, которая позволяет работать с двумерными и многомерными таблицами, строить сводные таблицы, выделять колонки, использовать фильтры по параметрам, выполнять группировку по параметрам, запускать функции (сложение, нахождение медианы, среднего, минимального, максимального значений), объединять таблицы и многое другое
+* `Sklearn` - библиотека, которая предоставляет ряд инструментов для моделирования данных, включая классификацию, регрессию, кластеризацию и уменьшение размерности.
+
+### Описание кода
+
+1. Загрузка данных - Сначала загружаются данные из файла `'stroke_prediction_ds.csv'` с помощью функции `pd.read_csv()`.
+
+1. Выделение признаков и целевой переменной - Затем выбираются признаки `'hypertension'`, `'heart_disease'` и `'avg_glucose_level'` в качестве входных данных, а `'age'` выбирается в качестве целевой переменной.
+
+1. Определение категорий для целевой переменной - Целевая переменная `'age'` делится на категории с помощью функции `'pd.qcut()'`. Это делается для преобразования непрерывной переменной в категориальную.
+
+1. Разделение данных на обучающий и тестовый наборы - Данные затем разделяются на обучающий и тестовый наборы с использованием функции `train_test_split()`.
+
+1. Нормализация данных - Нормализация данных выполняется с помощью класса `MinMaxScaler` из библиотеки `sklearn`. Это делается для того, чтобы все признаки были в одном масштабе, что может улучшить производительность модели.
+
+1. Обучение модели - Далее создается и обучается модель `MLPClassifier` (многослойный перцептрон), которая применяется для классификации данных.
+
+1. Предсказание на тестовых данных - После обучения модели производятся предсказания на тестовых данных.
+
+1. Оценка производительности модели - После предсказания модели оценивается с помощью метрик точности (`accuracy_score`) и отчета классификации (`classification_report`).
+
+1. Вывод результатов - Наконец, результаты оценок модели выводятся на экран.
+
+
+Результат:
+
+![img.png](img.png)
+
+### Вывод
+* Точность (Accuracy) - это общая метрика, которая измеряет долю правильных прогнозов от общего количества прогнозов - в моем случае составляет ~0.48, что означает, что модель правильно предсказала 48% случаев
+* Точность (Precision) - это доля правильных прогнозов среди всех прогнозов, сделанных моделью - в моем случае, например, точность для класса "18 лет" составляет 0.43, что означает, что из всех случаев, когда модель предсказывала "18 лет", на самом деле было "18 лет" в 43% случаев.
+* Полнота (Recall) - это доля правильных прогнозов среди всех фактических положительных случаев - в моем случае, например, полнота для класса "18 лет" составляет 0.93, что означает, что из всех фактических случаев "18 лет", модель правильно предсказала в 93% случаях.
+* F1-score - это среднее гармоническое точности и полноты, и оно дает общее представление о том, насколько хорошо модель работает на данном классе - в моем случае, например, F1-score для класса "18 лет" составляет 0.59.
+* Поддержка (Support) - это количество наблюдений в каждом классе - в моем случае, например, поддержка для класса "18 лет" составляет 352.
+
+Общая точность составляет 0.48, что указывает на то, что модель в целом работает не очень хорошо.

shadaev_anton_lab_6/main.py

@@ -0,0 +1,30 @@
+import pandas as pd
+from sklearn.metrics import accuracy_score, classification_report
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPClassifier
+from sklearn.preprocessing import MinMaxScaler
+
+# Загрузка данных, выделение признаков и целевой переменной
+data = pd.read_csv('stroke_prediction_ds.csv')
+X = data[['hypertension', 'heart_disease', 'avg_glucose_level']]
+y = pd.qcut(data['age'], q=3, labels=['18 лет', '18-55 лет', '55+ лет'])
+
+# Разделение данных на обучающий и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Нормализация данных
+scaler = MinMaxScaler()
+X_train, X_test = scaler.fit_transform(X_train), scaler.transform(X_test)
+
+# Создание и обучение MLPClassifier
+mlp_classifier = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=1000, random_state=42)
+mlp_classifier.fit(X_train, y_train)
+
+# Предсказание на тестовых данных, оценка производительности модели и вывод результатов
+y_pred = mlp_classifier.predict(X_test)
+accuracy = accuracy_score(y_test, y_pred)
+class_report = classification_report(y_test, y_pred)
+
+print(f'Accuracy: {accuracy}')
+print('Classification Report:')
+print(class_report)