basharin_sevastyan_lab_5 is ready

basharin_sevastyan_lab_5/README.md

@@ -45,4 +45,12 @@ python main.py
 
 Ссылка на страницу набора на kuggle: [Ultimate Car Price Prediction Dataset](https://www.kaggle.com/datasets/mohidabdulrehman/ultimate-car-price-prediction-dataset/data)
 
-### Формулировка задачи
+### Формулировка задачи
+Предсказание цены автомобиля на основе различных характеристик.
+
+### Результат
+![](res.png)
+
+### Вывод
+Коэффициент детерминации полученной модели равен примерно 0.53, что можно считать приемлемым результатом. Напомню, что 
+чем ближе значение коэффициент детерминации к 1, тем лучше модель объясняет изменчивость целевой переменной.

basharin_sevastyan_lab_5/main.py

@@ -0,0 +1,62 @@
+from sklearn.linear_model import LinearRegression
+import pandas as pd
+from sklearn.metrics import r2_score
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import LabelEncoder
+
+''' Названия столбцов набора данных и их описание:
+Id: Уникальный идентификатор для каждого автомобиля в списке.
+Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
+Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
+Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
+Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
+Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
+Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
+Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
+Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
+Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
+'''
+
+
+# Загрузите данные из вашей курсовой работы, предположим, что у вас есть файл CSV.
+data = pd.read_csv('Data_pakwheels.csv')
+data.pop("Id")
+
+data.dropna(inplace=True)  # Удаление строки с пропущенными значениями.
+
+# Преобразуйте категориальные признаки в числовые. Используйте, например, one-hot encoding.
+# data = pd.get_dummies(data, columns=['Company Name', 'Model Name', 'Location', 'Engine Type', 'Color'])
+
+# Создайте объект LabelEncoder
+label_encoder = LabelEncoder()
+
+data['Location'] = label_encoder.fit_transform(data['Location'])
+data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
+data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
+data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
+data['Color'] = label_encoder.fit_transform(data['Color'])
+data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
+data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
+data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
+data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
+
+# Выбор признаков
+selected_features = ['Model Year', 'Mileage', 'Engine Capacity', 'Engine Type', 'Body Type']
+
+# Разделение данных на признаки (X) и целевую переменную (y)
+X = data[selected_features]
+y = data['Price']
+
+# Разделение на обучающую и тестовую выборки
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Создание и обучение модели
+model = LinearRegression()
+model.fit(X_train, y_train)
+
+# Предсказание на тестовой выборке
+y_pred = model.predict(X_test)
+
+# Оценка модели
+r2 = r2_score(y_test, y_pred)
+print(f'R-squared: {r2}')