Merge pull request 'sergeev_evgenii_lab_6' (#160) from sergeev_evgenii_lab_6 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/160

sergeev_evgenii_lab_6/lab6.py

@@ -0,0 +1,53 @@
+import math
+
+from sklearn.neural_network import MLPRegressor
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler, LabelEncoder
+from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score, accuracy_score, classification_report
+import pandas as pd
+
+# Загрузим данные
+df = pd.read_csv("hotel_bookings_raw.csv")
+df.dropna(inplace=True)
+
+# Объявляю объект для преобразования строковых значений в числовые
+label_encoder = LabelEncoder()
+
+# Выберем признаки и целевую переменную (доход)
+features_list = ['lead_time', 'stays_in_weekend_nights',
+                 'stays_in_week_nights', 'adults', 'children', 'babies', 'meal', 'customer_type',
+                 'previous_cancellations',
+                 'previous_bookings_not_canceled', 'required_car_parking_spaces',
+                 'CPI_AVG', 'INFLATION', 'INFLATION_CHG', 'GDP', 'CPI_HOTELS']
+
+# Выбираем признаки и целевую переменную
+features = df[features_list].copy()
+target = df['adr'].copy()
+
+# Применяю к каждому столбцу признака преобразования
+for f in features_list:
+    features[f] = label_encoder.fit_transform(features[f])
+
+# Разделяем данные на тренировочный и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.1, random_state=42)
+
+# Масштабируем признаки для лучшей производительности модели
+scaler = StandardScaler()
+X_train_scaled = scaler.fit_transform(X_train)
+X_test_scaled = scaler.transform(X_test)
+
+# Создаем и обучаем MLPRegressor
+mlp_model = MLPRegressor(hidden_layer_sizes=(100, 50), max_iter=500, random_state=42)
+mlp_model.fit(X_train_scaled, y_train)
+
+# Делаем предсказания на тестовых данных
+predictions = mlp_model.predict(X_test_scaled)
+
+# Оцениваем производительность модели
+mse = mean_squared_error(y_test, predictions)
+mae = mean_absolute_error(y_test, predictions)
+r2 = r2_score(y_test, predictions)
+
+print(f"Среднеквадратичная ошибка (MSE): {round(math.sqrt(mse), 2)}%")
+print(f"Среднеабсолютное отклонение (MAE): {round(mae, 2)}%")
+print(f"Коэффициент детерминации (R^2): {round(r2, 4) * 100}%")

sergeev_evgenii_lab_6/readme.md

@@ -0,0 +1,31 @@
+# Лабораторная работа 6. Нейронная сеть
+## Задание
+Использовать нейронную сеть по варианту (24 % 2 == 0) для данных из таблицы, самостоятельно  сформулировав  задачу. 
+Оценить, насколько хорошо она подходит для решения сформулированной мной задачи.
+
+Ссылка на мой датасет: https://www.kaggle.com/datasets/mlardi/hotel-booking-demand-with-economic-indicators
+## Задача
+Прогнозирование среднего дохода отеля (adr) на основе различных 
+экономических и операционных показателей, используя многослойный персептрон (MLPRegressor)
+### Запуск программы
+Файл lab6.py содержит и запускает программу.
+
+### Описание программы
+Программа состоит из двух частей:
+1. Она считывает файл с данными о двух отелях: City Hotel и Resort Hotel. Содержит множество различных метрик
+2. Далее определяет необходимые признаки для характеристики дохода
+3. Обучает нейронную сеть и выводит степень ошибок по различным метрикам
+### Результаты тестирования
+По результатам тестирования, можно сказать следующее:
+
+Вывод:
+* Среднеквадратичная ошибка (MSE): 29.84% - показывает самое большое отклонение, но является неплохим результатом, 
+хоть и может быть оптимизировано лучше
+* Среднеабсолютное отклонение (MAE): 21.11% - показывает средний уровень отклонения, но является неплохим результатом
+* Коэффициент детерминации (R^2): 59.650000000000006% - показывает неплохой уровень изменчивости целевой переменной, 
+которое может быть объяснено моделью, но может быть улучшено
+
+Результаты показывают, что модель может быть еще больше улучшена, 
+так как имеется неплохой уровень ошибки, но всё же эта модель показывает лучший результат, чем модель регрессии
+
+