faskhutdinov_idris_lab_6 is ready

faskhutdinov_idris_lab_6/Readme.md

@@ -0,0 +1,46 @@
+# Лабораторная работа №6. Нейронная сеть
+## 1 вариант(27 % 2 = 1)
+### Задание:
+Использовать нейронную сеть (четные варианты – MLPRegressor,
+нечетные – MLPClassifier) для данных из таблицы 1 по варианту,
+самостоятельно сформулировав задачу. Интерпретировать результаты и
+оценить, насколько хорошо она подходит для решения сформулированной
+вами задачи.
+
+Используемый метод: MLPClassifier
+
+В моем случае данными является датасет о продаже автомобилей. В датасете представлены следующие столбцы:
+* id
+* Company Name
+* Model Name
+* Price
+* Model Year
+* Location
+* Mileage
+* Engine Type
+* Engine Capacity
+* Color
+* Assembly
+* Body Type
+* Transmission Type
+* Registration Status
+
+### Как запустить лабораторную
+1. Запустить файл main.py
+
+### Используемые технологии
+1. Библиотека matplotlib
+2. Библиотека scikit-learn
+3. Библиотека pandas
+3. Python
+4. IDE PyCharm
+
+### Описание лабораторной работы
+Программа выполняет создание и обучение нейронной сети с помощью MLPClassifier, после чего 
+Для работы программы выбирается часть данных(Ввиду того, что работы программы на полном объеме данных требует больших вычислительных мощностей). Данные разделяются на тестовый и тренировочный наборы, 
+строится модель нейронной сети, которая обучается на тестовом наборе данных, после чего оценивается её качество на оставшихся данных. 
+После чего строится график, который показывается на экране, а так же сохраняется в папке проекта.
+Точность: 0.9283387622149837
+Скриншот работы программы представлен в папке проекта.
+### Результат
+Ввиду того, что точность работы модели составляет 0.9283387622149837, это может говорить о том, что нейронная сеть хорошо справляется в предсказании статуса регистрации автомобиля.

faskhutdinov_idris_lab_6/main.py

@@ -0,0 +1,46 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+import numpy as np
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPClassifier
+from sklearn.preprocessing import StandardScaler, LabelEncoder
+from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
+
+
+def main():
+    # Чтение данных из файла
+    data = pd.read_csv('Clean Data_pakwheels.csv')
+    # Выбор лишь части значений для оптимизации работы программы
+    data = data.sample(frac=.1)
+    # Выбор необходимых столбцов
+    features = ['Model Year', 'Mileage', 'Registration Status']
+    # Выбор данных из датасета
+    df = data[features]
+    # Split into features and target variable
+    y = df['Registration Status']
+    X = df.drop('Registration Status', axis=1)
+    # 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=0)
+    # Создание и обучение модели нейросети MLPClassifier
+    model = MLPClassifier(random_state=0)
+    model.fit(X_train, y_train)
+    # Предсказания на тестовом наборе
+    y_pred = model.predict(X_test)
+    # Оценка модели
+    accuracy = accuracy_score(y_test, y_pred)
+    conf_matrix = confusion_matrix(y_test, y_pred)
+    class_report = classification_report(y_test, y_pred)
+    print(f'Accuracy: {accuracy}')
+    print(f'Classification Report:\n{class_report}')
+
+    # Создание графика, его отображение и сохранение
+    plt.hist(y_pred, bins=np.arange(3) - 0.5, alpha=0.75, color='Red', label='Предсказываемые')
+    plt.hist(y_test, bins=np.arange(3) - 0.5, alpha=0.5, color='Black', label='Действительные')
+
+    plt.xticks([0, 1], ['Зарегистрирована', 'Не зарегистрирована'])
+    plt.legend()
+    plt.savefig(fname = 'image.png')
+    plt.show()
+
+
+main()