Merge pull request 'istyukov_timofey_lab_5 is ready' (#293) from istyukov_timofey_lab_5 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/293

istyukov_timofey_lab_5/README.md

@@ -0,0 +1,108 @@
+# Лабораторная работа №5. Регрессия
+## 12 вариант
+___
+
+### Задание:
+Использовать регрессию по варианту для своих данных по варианту,
+самостоятельно сформулировав задачу. Оценить, насколько хорошо она
+подходит для решения сформулированной вами задачи. 
+
+### Вариант:
+- Тип регрессии: **Логистическая регрессия**
+
+### Вариант набора данных по курсовой работе:
+- Прогнозирование музыкальных жанров ("Prediction of music genre")
+
+___
+
+### Запуск
+- Запустить файл lab5.py 
+
+### Используемые технологии
+- Язык программирования **Python**
+- Среда разработки **PyCharm**
+- Библиотеки:
+    * pandas
+    * sklearn
+    * matplotlib
+    * warnings
+
+### Описание программы
+**Набор данных (Kaggle):** Полный список жанров, включенных в CSV:
+«Электронная музыка», «Аниме», «Джаз», «Альтернатива», «Кантри», «Рэп»,
+«Блюз», «Рок», «Классика», «Хип-хоп».
+
+**Задача, решаемая регрессией:**
+Предсказание популярности нового музыкального трека на основе его
+определённых характеристик. Регрессионная модель может предсказывать
+числовую оценку популярности трека, что может быть полезно
+для музыкальных платформ по типу Spotify.
+
+**Задача оценки:**
+
+- Вычисление 5 важных признаков и удаление из классификации ненужных
+- Прогноз на тестовом на наборе и расчёт точности.
+- Формирование матрицы путаницы для большего понимания.
+- Формирование отчёта классификации
+
+---
+### Пример работы
+
+*Датасет, сформированный из случайных строк csv-файла.*
+
+![Graphics](1_dataset.jpg)
+
+---
+
+*Вычисленные характеристики признаков. Меткой True и рангом №1
+указаны 5 важных для популярности музыкального трека признаков.*
+
+*Например, danceability (танцевальность) трека оказалось важным признаком,
+а duration_ms (длительность в милисекундах) — самый незначительный признак.*
+
+![Graphics](2_features.jpg)
+
+---
+
+*Матрица путаницы — это табличное представление прогнозов, сделанных моделью
+классификации, показывающее количество правильных и неправильных прогнозов
+для каждого класса. На пересечениях n-строки и n-столба показаны верные прогнозы
+признака с индексом i. На данной матрице видно, что на популярности уровня 0 и 3
+не было ни одного верного предсказания.*
+
+![Graphics](3_confusion_matrix.jpg)
+
+---
+
+*Оценка точности модели. По матрице путаницы можно было заметить, что оценка
+по значению чуть больше 50%, так как количество верных и неверных прогнозов
+не сильно отличается.*
+
+![Graphics](4_score.jpg)
+
+---
+
+*На отчёте также можно заметить по нулям у уровней популярности 0 и 3,
+что там ни одно значение не было верно предсказано.*
+
+![Graphics](5_report.jpg)
+
+
+### Вывод
+Итак, можно сказать, что с поставленной задачей логистическая регрессия больше
+справилась, чем не справилась. Но в то же время популярность трека — неоднозначный
+признак. Нельзя по характеристикам музыкального трека точно сказать, насколько
+он взлетит в чартах. Считаю, что именно поэтому программа не смогла предсказать
+нулевую и высшую популярность, а назначила тестовой выборке лишь средние
+значения популярности. 
+
+Логистическая регрессия выполняется быстро и относительно несложно, в ней удобно
+интерпретировать результаты. Хотя по сути это метод бинарной классификации,
+его также можно применять к задачам мультиклассов, что я и сделал (было бы
+нелогично обозначать популярность лишь метками True и False, когда можно
+её разделить на уровни).
+
+Также логистическая регрессия не готова обрабатывать избыточное количество
+категорических признаков. Она подвержена переподбору, что и было сделано в
+данной лабораторной работе. Логистическая регрессия не будет хорошо работать
+с независимыми признаки трека, которые не коррелируют с популярностью трека.

istyukov_timofey_lab_5/lab5.py

@@ -0,0 +1,108 @@
+"""
+Использовать регрессию по варианту для своих данных по варианту, самостоятельно сформулировав задачу.
+Оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
+
+"""
+
+"""
+Задача, решаемая регрессией:
+Предсказание популярности нового музыкального трека на основе его определённых характеристик.
+Регрессионная модель может предсказывать числовую оценку популярности трека,
+что может быть полезно для музыкальных платформ по типу Spotify.
+"""
+
+# 12 вариант
+# Набор данных по курсовой: "Prediction of music genre"
+# Тип регрессии: Логистическая регрессия
+
+import pandas as pd
+import warnings
+import sklearn.exceptions
+from sklearn.linear_model import LogisticRegression
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import classification_report, confusion_matrix, f1_score
+from sklearn.feature_selection import RFE
+
+
+
+DATASET_FILE = 'music_genre.csv'
+
+
+def main():
+    df = open_dataset(DATASET_FILE)
+    df = df.sample(frac=.5)  # отбираем 50% рандомных строк с набора данных, т.к. он большой
+    print("\033[92m[----------> Набор данных <----------]\033[00m")
+    print(df)
+
+    # Перевод ладов (минор/мажор) в числовые признаки
+    df_music = df.copy()
+    df_music['mode'] = df_music['mode'].apply(lambda x: 1 if x == 'Major' else 0)
+
+    # разделим проценты популярности на 4 уровня (от 0 до 3)
+    df_music['popularity'] = df_music['popularity'].apply(lambda x: int(x // 25))
+
+    X = df_music.drop(columns=['popularity'])  # характеристики музыкального трека
+    y = df_music['popularity']  # уровень популярности
+
+    # Разделение датасета на тренировочные (95%) и тестовые данные (5%)
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.05)
+
+    # Создание и обучение модели логистической регрессии
+    model = LogisticRegression(solver='lbfgs', max_iter=2000)
+    model.fit(X_train.values, y_train)
+
+    # Поиск 5 важных признаков
+    rfe = RFE(estimator=model, n_features_to_select=5)
+    rfe = rfe.fit(X_train.values, y_train)
+    features_ranks = pd.DataFrame({'Признак': X.columns.values, 'Выбор': rfe.support_, 'Ранг': rfe.ranking_})
+    print("\033[92m\n[----------> Оценка признаков, влияющих на популярность трека <----------]\033[00m")
+    print(features_ranks.sort_values(by=['Ранг']))
+
+    # Убираем незначительные признаки из датасета
+    del_features = features_ranks['Признак'][features_ranks['Ранг'] == True]
+    X_train = X_train[del_features]
+    X_test = X_test[del_features]
+
+    # Переобучаем на них модель
+    model.fit(X_train.values, y_train)
+
+    # Предсказание на тестовых данных уровня популярности трека
+    y_pred = model.predict(X_test.values)
+
+    # Формирование матрицы путаницы
+    cm = confusion_matrix(y_test, y_pred)
+    print("\033[92m\n[----------> Матрица путаницы <----------]\033[00m")
+    print(cm)
+    pred_true = sum(cm[i][i] for i in range(len(cm))) # верные прогнозы
+    pred_false = cm.sum() - pred_true # неверные прогнозы
+    print("\033[94mКол-во правильных предсказаний (главная диагональ) = {}\033[00m" .format(pred_true))
+    print("\033[91mКол-во неправильных предсказаний (остальное) = {}\033[00m".format(pred_false))
+
+    print("\033[92m\n[----------> Оценка модели <----------]\033[00m")
+    print('Точность модели на тестовых данных: {:.2f}'.format(model.score(X_test.values, y_test)))
+
+    print("\033[92m\n[----------> Отчёт о классификации по уровням <----------]\033[00m")
+    # игнор ошибки отсутствия некоторых классах при прогнозе (в данном случае 0 и 3)
+    warnings.filterwarnings("ignore", category=sklearn.exceptions.UndefinedMetricWarning)
+    print(classification_report(y_test, y_pred))
+    print("\033[95mМаксимально предсказанный уровень: {}\033[00m".format(y_pred.max()))
+
+
+
+
+# Функция считывания и очищения csv-файла
+def open_dataset(csv_file):
+    # открываем файл с указанием знака-отделителя
+    df = pd.read_csv(csv_file, delimiter=',')
+    # выбираем необходимые признаки
+    df = df[['duration_ms', 'mode', 'tempo', 'instrumentalness', 'acousticness', 'speechiness',
+             'danceability', 'energy', 'liveness', 'valence', 'loudness', 'popularity']]
+    # очищаем набор данных от пустых и неподходящих значений
+    df = df[df['tempo'] != '?']
+    df = df.dropna()
+    return df
+
+
+
+if __name__ == "__main__":
+    main()