kurmyza_pavel_lab_3 is ready

kurmyza_pavel_lab_3/README.md

@@ -0,0 +1,55 @@
+# Лабораторная работа №3
+
+## ПИбд-41, Курмыза Павел
+
+Датасет по варианту: https://www.kaggle.com/datasets/jessemostipak/hotel-booking-demand.
+
+Данный набор данных содержит информацию о бронировании городской и курортной гостиниц и включает в себя такие
+сведения, как время бронирования, продолжительность пребывания, количество взрослых, детей и/или младенцев, количество
+свободных парковочных мест и т.д.
+
+## Как запустить ЛР
+
+- Запустить файл main.py
+
+## Используемые технологии
+
+- Язык программирования Python
+- Библиотеки: sklearn, numpy, pandas, xgboost, matplotlib, seaborn
+
+## Что делает программа
+
+Программа решает задачу классификации на выбранном датасете: определение гостиничного класса отеля (городской отель или
+курортный отель). Решение достигается в несколько этапов:
+
+- Предобработка данных
+- Балансировка данных
+- Стандартизация данных и приведение их к виду, удобном для работы с моделями ML
+- Использование нескольких моделей классификации
+- Сравнение оценок и поиск наиболее подходящей модели
+- Оценка специфичности наилучшей модели классификации
+
+## Тестирование
+
+Для решения задачи классификации были выбраны 3 модели: XGBClassifier, RandomForestClassifier, DecisionTreeClassifier.
+
+Оценка точности моделей:
+
+- XGBClassifier: 0.970565942395149
+- RandomForestClassifier: 0.9901465386558869
+- DecisionTreeClassifier: 0.9714502273875695
+
+Оцека способности модели RandomForestClassifier предсказывать истинные положительные результаты (TP / (TP + FN)), также
+известные как коэффициент чувствительности, и истинные отрицательные результаты (TN / (TN + FP)), также известный как
+коэффициент специфичности через матрицу неточностей:
+
+![Матрица неточностей](confusion_matrix.jpg)
+
+Матрица неточностей подтверждает приведенную ранее оценку модели RandomForestClassifier. Кроме того, она указывает на
+то, что помимо высокой точности, модель также имеет высокую специфичность.
+
+## Вывод
+
+По итогу тестирования было выявлено, что наилучше всего с задачей классификации данного набора данных справляется модель
+RandomForestClassifier, так как имеет наивысшую оценку точности. Тем не менее, все из выбранных моделей показали высокие
+результаты. Из этого следует, что задача классификации для данного набора решена.

kurmyza_pavel_lab_3/main.py

@@ -0,0 +1,119 @@
+import pandas as pd
+from matplotlib import pyplot as plt
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.preprocessing import LabelEncoder
+from sklearn.feature_selection import VarianceThreshold
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from xgboost import XGBClassifier
+from sklearn.metrics import confusion_matrix, classification_report
+import seaborn as sns
+
+# Считываем датасет
+ds = pd.read_csv('hotel_bookings.csv')
+
+# Удаляем из датасета строки с пропущенными значениями столбцов country, children.
+# Выбраны именно данные столбцы, так как, по информации из kaggle, только они могут содержать пропущеные значения
+ds.dropna(axis=0, subset=['country', 'children'], inplace=True)
+
+# Усредняем значения столбца agent, чтобы убрать его влияние на результат, так как столбец содержит неважные данные
+moa = ds['agent'].mean()
+ds['agent'].fillna(value=moa, axis=0, inplace=True)
+
+# Заполняем пропущенные значения ячеек, чтобы исключить незаполненные
+ds.fillna(method='pad', inplace=True)
+ds.dropna(inplace=True, subset=['company'])
+
+# Переводим столбцы, содержащие текстовые данные в числовое представление
+hotel = LabelEncoder()
+meal = LabelEncoder()
+country = LabelEncoder()
+market_segment = LabelEncoder()
+distribution_channel = LabelEncoder()
+reserved_room_type = LabelEncoder()
+assigned_room_type = LabelEncoder()
+deposit_type = LabelEncoder()
+customer_type = LabelEncoder()
+reservation_status = LabelEncoder()
+reservation_status_date = LabelEncoder()
+
+ds['hotel_n'] = hotel.fit_transform(ds['hotel'])
+ds['arrival_date_month_n'] = hotel.fit_transform(ds['arrival_date_month'])
+ds['meal_n'] = hotel.fit_transform(ds['meal'])
+ds['country_n'] = hotel.fit_transform(ds['country'])
+ds['market_segment_n'] = hotel.fit_transform(ds['market_segment'])
+ds['distribution_channel_n'] = hotel.fit_transform(ds['distribution_channel'])
+ds['reserved_room_type_n'] = hotel.fit_transform(ds['reserved_room_type'])
+ds['assigned_room_type_n'] = hotel.fit_transform(ds['assigned_room_type'])
+ds['deposit_type_n'] = hotel.fit_transform(ds['deposit_type'])
+ds['customer_type_n'] = hotel.fit_transform(ds['customer_type'])
+ds['reservation_status_n'] = hotel.fit_transform(ds['reservation_status'])
+ds['reservation_status_date_n'] = hotel.fit_transform(ds['reservation_status_date'])
+
+# Удаляем приведенные к числовым данным столбцы, они больше не нужны
+ds.drop(
+    ['hotel', 'arrival_date_month', 'meal', 'country', 'market_segment', 'distribution_channel', 'reserved_room_type',
+     'assigned_room_type', 'deposit_type', 'customer_type', 'reservation_status', 'reservation_status_date'], axis=1,
+    inplace=True)
+
+# Производим балансировку данных таким образом, чтобы было одинаковое количество отелей всех классов
+ds_0 = ds[ds['hotel_n'] == 0]
+ds_1 = ds[ds['hotel_n'] == 1]
+ds_0 = ds_0.sample(ds_1.shape[0])
+ds = ds_0._append(ds_1, ignore_index=True)
+
+# Полдготовка данных для выполнения модели
+x = ds.drop('hotel_n', axis=1)
+y = ds['hotel_n']
+
+threshold = VarianceThreshold()
+
+x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)
+x_train = threshold.fit_transform(x_train)
+x_test = threshold.transform(x_test)
+
+# Производим стандартизацию данных и приводим их к виду, с которым работают модели классификации
+scaler = StandardScaler()
+
+x_train = scaler.fit_transform(x_train)
+x_test = scaler.fit_transform(x_test)
+
+y_train = y_train.to_numpy()
+y_test = y_test.to_numpy()
+
+# Использование моделей машинного обучения.
+# Для сравнения точности были взяты модели XGBClassifier, RandomForestClassifier, DecisionTreeClassifier.
+
+xg = XGBClassifier()
+xg.fit(x_train, y_train)
+
+rf = RandomForestClassifier()
+rf.fit(x_train, y_train)
+
+dt = DecisionTreeClassifier()
+dt.fit(x_train, y_train)
+
+# Оценка точности моделей классификации
+
+xgb_accuracy = xg.score(x_test, y_test)
+rf_accuracy = rf.score(x_test, y_test)
+dt_accuracy = dt.score(x_test, y_test)
+
+print(f"Оценка точности моделей:"
+      f"\n XGBClassifier: {xgb_accuracy}",
+      f"\n RandomForestClassifier: {rf_accuracy}",
+      f"\n DecisionTreeClassifier: {dt_accuracy}")
+
+# Оценка коэффициента специфичности через матрицу неточностей
+
+y_pred = rf.predict(x_test)
+
+cm = confusion_matrix(y_test, y_pred)
+plt.figure(figsize=(7, 5))
+sns.heatmap(cm, annot=True)
+plt.xlabel('Prediction')
+plt.ylabel('Actual')
+plt.show()
+
+print(classification_report(y_test, y_pred))