Merge pull request 'gusev_vladislav_lab_6 is ready' (#95) from gusev_vladislav_lab_6 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/95

gusev_vladislav_lab_6/README.md

@@ -0,0 +1,47 @@
+### Вариант 9
+### Задание на лабораторную работу:
+Использовать нейронную сеть MLPClassifier для данных из курсовой работы,
+самостоятельно сформулировав задачу. Интерпретировать результаты и 
+оценить, насколько хорошо она подходит для решения сформулированной 
+вами задачи.
+### Как запустить лабораторную работу:
+Выполняем файл gusev_vladislav_lab_6.py, решение будет в консоли.
+
+### Технологии
+Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
+
+### Задача
+Мною было принято решение посмотреть, как зависит цена алмазов от их
+карат, глубины и размера верхней грани (table)
+### По коду
+1) Для начала загружаем данные из csv файла
+2) Разделяем данные на обучающее и тестовые
+3) Рескейлим данные
+4) Задаем MLPClassifier и обучаем. Предсказываем данные и оцениваем производительность
+5) Выводим в консоль
+
+
+![img.png](img.png)
+### По консоли
+Accuracy: Это процент правильных предсказаний модели на тестовом наборе данных. Например, если значение
+
+Classification Report (Отчет о классификации): Этот отчет предоставляет детализированную информацию о производительности модели для каждой категории (класса). Включает следующие метрики:
+
+    Precision (Точность): Доля объектов, которые правильно классифицированы как принадлежащие к данному классу относительно всех объектов, которые модель классифицировала как этот класс. Точность измеряет, насколько модель избегает ложных положительных результатов.
+
+    Recall (Полнота): Доля объектов, которые правильно классифицированы как принадлежащие к данному классу относительно всех объектов этого класса в исходных данных. Полнота измеряет способность модели обнаруживать объекты данного класса.
+
+    F1-Score: Гармоническое среднее точности и полноты. Эта метрика объединяет точность и полноту в одну метрику и помогает балансировать их.
+
+    Support (Поддержка): Количество объектов в данном классе.
+
+    High, low и medium, это высокие, низкие и средние значения столбца Price.
+
+    Accuracy (Точность): Это процент правильных классификаций моделью
+
+    Macro Avg (Макро среднее): Это среднее значение метрик для каждого класса, вычисленное независимо для каждого класса и затем усредненное. Это не учитывает разницу в размере классов и рассматривает все классы как равнозначные.
+
+    Weighted Avg (Взвешенное среднее): Это взвешенное среднее метрик, учитывая размер каждого класса. Это может быть полезным, когда классы имеют различные размеры (например, один класс больше другого).
+### Вывод
+ - Точность вышла крайне высокой, из чего можно сделать вывод, что модель отлично подходит для
+выбранной задачи

gusev_vladislav_lab_6/gusev_vladislav_lab_6.py

@@ -0,0 +1,44 @@
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPClassifier
+from sklearn.preprocessing import MinMaxScaler
+from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
+
+
+# Загрузка данных из файла (замените 'diamonds.csv' на ваш путь к файлу)
+data = pd.read_csv('diamonds_prices.csv')
+
+# Выделение признаков (price, depth и carat)
+X = data[['carat', 'depth', 'table']]
+
+# Целевая переменная - table
+y = data['price']
+
+# Определение категорий (классов) для table, например, на основе диапазонов
+# Вам нужно заменить этот блок на свои категории
+# Пример: создание категорий на основе квантилей
+y_categories = pd.qcut(y, q=3, labels=['Low', 'Medium', 'High'])
+
+# Разделение данных на обучающий и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(X, y_categories, test_size=0.2, random_state=42)
+
+# Нормализация данных
+scaler = MinMaxScaler()
+X_train = scaler.fit_transform(X_train)
+X_test = scaler.transform(X_test)
+
+# Создание и обучение MLPClassifier
+mlp_classifier = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=1000, random_state=42)
+mlp_classifier.fit(X_train, y_train)
+
+# Предсказание на тестовых данных
+y_pred = mlp_classifier.predict(X_test)
+
+# Оценка производительности модели
+accuracy = accuracy_score(y_test, y_pred)
+class_report = classification_report(y_test, y_pred)
+
+# Вывод результатов
+print(f'Accuracy: {accuracy}')
+print('Classification Report:')
+print(class_report)