Merge pull request 'kondrashin_mikhail_lab_6_ready' (#207) from kondrashin_mikhail_lab_6 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/207

kondrashin_mikhail_lab_6/README.md

@@ -0,0 +1,48 @@
+#### Кондрашин Михаил ПИбд-41
+
+## Лабораторная работа 6. Нейронная сеть
+
+### 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)
+
+### Задача:
+Осуществить обучение модели нейронной сети для предсказания погоды относительно влияющих погодных факторов по наиболее важным признакам.
+
+### Описание решения:
+
+* Входные данные:
+    * Влияющие признаки
+      * D1 (угол, с которого дует ветер на самом высоком датчике мачты ветростанции)
+      * TI1 (показатель турбуленции на самом высоком датчике мачты ветростанции)
+      * V1 (Скорость ветра)
+      * RH (относительная влажность)
+      * P (атмосферное давление)
+    * Аппроксимирующий признак - температура
+    * Файл WindData.csv
+    * Модель классификатора состоит из двух скрытых слоев
+    * Задействованные функции: 
+      * relu
+      * identity
+      * tahn
+      * logistic
+    * max_iter=4000, n_iter_no_change=10, alpha=0.01
+
+### Результат:
+
+* Наиболее предпочтительной функцией при данных входных параметров для MLPClassifier является relu
+* tahn и logistic являются примерно одинаковыми
+* identity является наименьшей
+
+То есть нелинейная функция является наилучшей для задачи прогнозирования погоды
+
+![Result](images/result.png)
+
+

kondrashin_mikhail_lab_6/funcClassifier.py

@@ -0,0 +1,12 @@
+from sklearn.neural_network import MLPClassifier
+from sklearn.metrics import accuracy_score
+
+
+def random_state_fit(i, x_train, y_train, x_test, y_test, func):
+    mlp = MLPClassifier(random_state=i, max_iter=4000, n_iter_no_change=10,
+                        activation=func, alpha=0.01, hidden_layer_sizes=[100, 100])
+    mlp.fit(x_train, y_train)
+    predictions = mlp.predict(x_test)
+    acc_mlp = accuracy_score(y_test, predictions)
+    print(f"Func {func} with accuracy {acc_mlp} \n")
+    return acc_mlp

kondrashin_mikhail_lab_6/main.py

@@ -0,0 +1,4 @@
+from neuralNetwork import worker
+
+if __name__ == '__main__':
+    worker()

kondrashin_mikhail_lab_6/neuralNetwork.py

@@ -0,0 +1,28 @@
+import statistics
+
+import pandas as pd
+from sklearn.model_selection import train_test_split
+
+from funcClassifier import random_state_fit
+
+names = ['D1', 'TI1', 'V1', 'RH', 'P']
+
+
+def bring(data):
+    return data[names], data['T'].astype('int')
+
+
+def worker():
+    data = pd.read_csv('WindData.csv')
+
+    x, y = bring(data)
+
+    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=100)
+
+    funcs = ['relu', 'identity', 'tanh', 'logistic']
+    acc = []
+    for i in range(0, len(funcs)):
+        acc.append(random_state_fit(i, x_train, y_train, x_test, y_test, funcs[i]))
+
+    print('\n Results: ')
+    print(f' Min is {min(acc)}, Median is {statistics.median(acc)}, Max is {max(acc)}')