kondrashin_mikhail_lab_5_ready

kondrashin_mikhail_lab_5/README.md

@@ -0,0 +1,42 @@
+#### Кондрашин Михаил ПИбд-41
+
+## Лабораторная работа 5. Регрессия
+
+### 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)
+
+### Описание решения:
+
+* Используется линейная регрессия
+* Программа выявляет наиболее важные пункты при прогнозировании погоды. Использует линейную регрессию, а так же
+  оценивает точность модели.
+* 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)
+        * T (температура воздуха)
+        * RH (относительная влажность)
+        * P (атмосферное давление)
+    * Аппроксимирующий признак - температура
+    * Файл WindData.csv
+
+### Выводы
+
+* Наиболее важные признаки:
+  * TI1 (турбуленция)
+  * V1 (скорость ветра)
+* TestSize при этом является достаточно небольшим, что свидетельствует о корректности работы модели
+
+### Результат:
+
+![Result](images/result.png)
+
+

kondrashin_mikhail_lab_5/data.py

@@ -0,0 +1,12 @@
+import pandas as pd
+
+
+def load(path):
+    dataset = pd.read_csv(path)
+
+    names = ['V1', 'D1', 'RH', 'TI1', 'P']
+
+    x = dataset[names]
+    y = dataset['T']
+
+    return x, y, names

kondrashin_mikhail_lab_5/main.py

@@ -0,0 +1,16 @@
+from models import create_model
+from rank import calculate_mean_and_sort_list, get_ranks, calculate_mape
+from data import load
+
+from sklearn.model_selection import train_test_split
+
+
+if __name__ == '__main__':
+    X, y, names = load('WindData.csv')
+    linear = create_model(X, y)
+    ranks = get_ranks(linear, names)
+    print("MEAN", calculate_mean_and_sort_list(ranks))
+    for test_size in [0.001, 0.01, 0.05, 0.11]:
+        X_train, X_test, Y_train, Y_test = train_test_split(X, y, test_size=test_size, random_state=100)
+        mape = calculate_mape(X_train, X_test, Y_train, Y_test)
+        print(f'MAPE for test_size={test_size} is {float("{:.3f}".format(mape))}')

kondrashin_mikhail_lab_5/models.py

@@ -0,0 +1,8 @@
+from sklearn.linear_model import LinearRegression
+
+
+def create_model(x, y):
+    linear = LinearRegression()
+    linear.fit(x, y)
+
+    return linear

kondrashin_mikhail_lab_5/rank.py

@@ -0,0 +1,55 @@
+import numpy as np
+from sklearn.preprocessing import MinMaxScaler
+from operator import itemgetter
+from models import create_model
+from sklearn.metrics import mean_absolute_percentage_error
+
+
+def get_ranks(linear, names):
+    ranks = dict()
+    ranks['Linear'] = sort_by_desc(rank_to_dict(linear.coef_, names))
+    return ranks
+
+
+def sort_by_desc(dictionary):
+    return dict(sorted(dictionary.items(), key=itemgetter(1), reverse=True))
+
+
+def calculate_mean_and_sort_list(ranks):
+    mean = {}
+    for key, value in ranks.items():
+        print(key, value)
+        for item in value.items():
+            if item[0] not in mean:
+                mean[item[0]] = 0
+                mean[item[0]] += item[1]
+    for key, value in mean.items():
+        res = value / len(ranks)
+        mean[key] = round(res, 4)
+    return sort_by_desc(mean)
+
+
+def rank_to_dict(ranks, names):
+    ranks = np.abs(ranks)
+    minmax = MinMaxScaler()
+    ranks = minmax.fit_transform(np.array(ranks).reshape(len(names), 1)).ravel()
+    ranks = map(lambda x: round(x, 4), ranks)
+    return dict(zip(names, ranks))
+
+
+# Mean absolute percentage error regression loss
+def calculate_mape(x_train, x_test, y_train, y_test):
+    lasso = create_model(x_train, y_train)
+    lasso_predict = lasso.predict(x_test)
+
+    # Convert to lists to calculate MAPE
+    y_test = list(y_test)
+    lasso_predict = list(lasso_predict)
+
+    # y_test_correct = []
+    #
+    # for i in y_test:
+    #     if not i == 0. or not i == 0:
+    #         y_test_correct.append(i)
+
+    return mean_absolute_percentage_error(list(y_test), lasso_predict)