mashkova_margarita_lab_4 ready

mashkova_margarita_lab_4/README.md

@@ -0,0 +1,108 @@
+# Лабораторная работа №4
+## ПИбд-42 Машкова Маргарита (Вариант 19)
+## Задание
+C помощью метод кластеризации DBSCAN решить задачу:
+Сгруппировать телефоны по объему аккумулятора, размеру экрана, RAM и прочим показателям.
+Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной задачи.
+
+### Данные: 
+> Датасет о характеристиках мобильных телефонов и их ценах
+> 
+> Ссылка на датасет в kaggle: [Mobile Phone Specifications and Prices](https://www.kaggle.com/datasets/pratikgarai/mobile-phone-specifications-and-prices/data)
+
+### Модели:
+
+> - DBSCAN
+
+> **Note**
+> 
+> Метод DBSCAN позволяет получить оптимальное разбиение точек на оптимальное количество кластеров, 
+а также выявить атипичные объекты (шум). Оценивается при помощи метрики `Силуэт (Silhouette Score)` - насколько 
+плотно объекты прилегают к центру кластера. Данная метрика оценивает качество кластеризации путем 
+измерения среднего значения силуэта для каждой точки данных. 
+Значение Silhouette Score находится в диапазоне от -1 до 1, где ближе к 1 означает лучшую кластеризацию.
+Высокое значение Silhouette Score указывает на хорошую разделимость кластеров, 
+а низкое значение может указывать на перекрывающиеся кластеры.
+
+## Запуск программы
+Для запуска программы необходимо запустить файл main.py
+
+## Используемые технологии
+> **Язык программирования:** python
+> 
+> **Библиотеки:**
+> - `pandas` -  предоставляет функциональность для обработки и анализа набора данных.
+> - `sklearn` - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.
+## Описание работы программы
+
+### Описание набора данных
+Данный набор содержит характеристики различных телефонов, в том числе их цену.
+
+Названия столбцов набора данных и их описание:
+
+- **Id** - идентификатор строки (int)
+- **Name** - наименование телефона (string)
+- **Brand** - наименование бренда телефона (string)
+- **Model** - модель телефона (string)
+- **Battery capacity (mAh)** - емкость аккумулятора в мАч (int)
+- **Screen size (inches)** - размер экрана в дюймах по противоположным углам (float)
+- **Touchscreen** - имеет телефон сенсорный экран или нет (string - Yes/No)
+- **Resolution x** - разрешение телефона по ширине экрана (int)
+- **Resolution y** - разрешение телефона по высоте экрана (int)
+- **Processor** - количество ядер процессора (int)
+- **RAM (MB)** - доступная оперативная память телефона в МБ (int)
+- **Internal storage (GB)** - внутренняя память телефона в ГБ (float)
+- **Rear camera** - разрешение задней камеры в МП (0, если недоступно) (float)
+- **Front camera** - разрешение фронтальной камеры в МП (0, если недоступно) (float)
+- **Operating system** - ОС, используемая в телефоне (string)
+- **Wi-Fi** - имеет ли телефон функция Wi-Fi (string - Yes/No)
+- **Bluetooth** - имеет ли телефон функцию Bluetooth (string - Yes/No)
+- **GPS** - имеет ли телефон функцию GPS (string - Yes/No)
+- **Number of SIMs** - количество слотов для SIM-карт в телефоне (int)
+- **3G** - имеет ли телефон сетевую функкцию 3G (string - Yes/No)
+- **4G/ LTE** - имеет ли телефон сетевую функкцию 4G/LTE (string - Yes/No)
+- **Price** - цена телефона в индийских рупиях (int)
+
+Первоначально данные обрабатываются: все строковые значения признаков необходимо привести к численным.
+
+Метод не требует предварительных предположений о числе кластеров, 
+но нужно настроить два других параметра: `eps` и `min_samples`. 
+Данные параметры – это соответственно максимальное расстояние между соседними точками и минимальное число точек 
+в окрестности (количество соседей), когда можно говорить, что эти экземпляры данных образуют один кластер.
+
+Далее выполняется два этапа предобработки данных:
+1. Масшатабирование: Создается экземпляр класса `StandardScaler()`.
+Метод `fit_transform(data)` этого класса применяется к данным, чтобы выполнить масштабирование.
+Результат масштабирования сохраняется в переменной `X_scaled`.
+2. Нормализация: Метод `normalize(X_scaled)` применяется к масштабированным данным `X_scaled`, чтобы выполнить нормализацию.
+Результат нормализации сохраняется в переменной `X_normalized`.
+
+Затем выполняется анализ главных компонент (PCA) на нормализованных данных и преобразование их в двумерное пространство.
+Это позволяет снизить размерность данных и выделить наиболее информативные признаки. 
+Результат преобразования сохраняется в переменной `X_principal`.
+
+Создается и обучается модель `dbscan` на нормализованных и масштабированных данных.
+На основе всех признаков данные разбиваются на кластеры. В поле `labels` в алгоритме DBSCAN хранятся метки кластеров,
+к которым были присвоены точки данных.
+Каждая точка данных будет иметь свою метку, указывающую на принадлежность к определенному кластеру или на то,
+что она не принадлежит ни одному кластеру и считается выбросом (кластер `-1`).
+
+Вычисляется и выводятся в консоль количество кластеров и шумовых точек.
+
+Качество кластеризации оценивается с помощью `silhouette_score` и выводится в консоль.
+
+Отображается график кластеризации.
+
+## Тесты
+### Получившиеся кластеры и оценка качества кластеризации:
+
+![Получившиеся кластеры](clusters.png)
+
+### График кластеризации:
+
+![График кластеризации](dbscan_plot.png)
+
+Шумовые точки изображены фиолетовым цветом.
+ 
+**Вывод:** исходя из полученных результатов, значение метрики "силуэт" составляет всего 2%, что указывает на низкое 
+качество кластеризации и перекрывающиеся кластеры. Метод кластеризации `DBSCAN` плохо работает на этих данных.

mashkova_margarita_lab_4/main.py

@@ -0,0 +1,72 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.preprocessing import LabelEncoder
+from sklearn.cluster import DBSCAN
+from sklearn.decomposition import PCA
+from sklearn.metrics import silhouette_score
+from sklearn.preprocessing import StandardScaler
+from sklearn.preprocessing import normalize
+from collections import Counter
+
+filename = "mobiles.csv"
+# Считываем данные из файла в DataFrame
+data = pd.read_csv(filename, sep=',')
+# Удаляем столбец с идентификатором
+data.pop("Id")
+
+# Приведение строковых значений признаков к численным при помощи векторайзера с суммированием
+FEATURE_COLUMNS_TO_PROC = ['Name', 'Brand', 'Model', 'Operating system']
+for column_name in FEATURE_COLUMNS_TO_PROC:
+    vectorizer = TfidfVectorizer()
+    train_text_feature_matrix = vectorizer.fit_transform(data[column_name]).toarray()
+    a = pd.DataFrame(train_text_feature_matrix)
+    data[column_name] = a[a.columns[1:]].apply(lambda x: sum(x.dropna().astype(float)), axis=1)
+
+# Приведение строковых значений к численным при помощи числового кодирования LabelEncoder
+le = LabelEncoder()
+data['Touchscreen'] = le.fit_transform(data['Touchscreen'])
+data['Wi-Fi'] = le.fit_transform(data['Wi-Fi'])
+data['Bluetooth'] = le.fit_transform(data['Bluetooth'])
+data['GPS'] = le.fit_transform(data['GPS'])
+data['3G'] = le.fit_transform(data['3G'])
+data['4G/ LTE'] = le.fit_transform(data['4G/ LTE'])
+
+scaler = StandardScaler()
+X_scaled = scaler.fit_transform(data)
+# Нормализация масштабированных данных
+X_normalized = normalize(X_scaled)
+X_normalized = pd.DataFrame(X_normalized)
+
+pca = PCA(n_components=2)
+X_principal = pca.fit_transform(X_normalized)
+X_principal = pd.DataFrame(X_principal)
+X_principal.columns = ['P1', 'P2']
+
+# Определяем и обучаем модель
+dbscan = DBSCAN(eps=0.05, min_samples=5).fit(X_principal)
+labels = dbscan.labels_
+
+# Вычисление количества кластеров
+N_clus = len(set(labels))-(1 if -1 in labels else 0)
+print('Количество получившихся кластеров: %d' % N_clus)
+counter = Counter(dbscan.labels_)
+clusters_df = pd.DataFrame({'Номер кластера': counter.keys(), 'Кол-во элементов': counter.values()}) \
+    .sort_values(by='Кол-во элементов', ascending=False)
+print(clusters_df.reset_index(drop=True))
+
+# Вычисление количества шумовых точек
+n_noise = list(dbscan.labels_).count(-1)
+print('Количество шумовых точек: %d' % n_noise)
+
+# Оценка качества кластеризации с помощью silhouette_score
+silhouette_avg = silhouette_score(X_principal, labels)
+
+print("Silhouette Score:", silhouette_avg)
+
+plt.scatter(X_principal['P1'], X_principal['P2'], c=labels)
+plt.savefig('dbscan_plot.png')
+# plt.show()
+
+
+