From b8dc1e4cd84ed711bda4e9956acbc47a0f8d8828 Mon Sep 17 00:00:00 2001 From: sergeevevgen Date: Fri, 10 Nov 2023 03:24:21 +0400 Subject: [PATCH 1/2] create lab6 --- sergeev_evgenii_lab_6/readme.md | 0 1 file changed, 0 insertions(+), 0 deletions(-) create mode 100644 sergeev_evgenii_lab_6/readme.md diff --git a/sergeev_evgenii_lab_6/readme.md b/sergeev_evgenii_lab_6/readme.md new file mode 100644 index 0000000..e69de29 From 15e5bb787a88cd04eb90a1025aadd42d359267cc Mon Sep 17 00:00:00 2001 From: sergeevevgen Date: Wed, 15 Nov 2023 20:38:05 +0400 Subject: [PATCH 2/2] lab6 is done --- sergeev_evgenii_lab_6/lab6.py | 53 +++++++++++++++++++++++++++++++++ sergeev_evgenii_lab_6/readme.md | 31 +++++++++++++++++++ 2 files changed, 84 insertions(+) create mode 100644 sergeev_evgenii_lab_6/lab6.py diff --git a/sergeev_evgenii_lab_6/lab6.py b/sergeev_evgenii_lab_6/lab6.py new file mode 100644 index 0000000..e877141 --- /dev/null +++ b/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}%") diff --git a/sergeev_evgenii_lab_6/readme.md b/sergeev_evgenii_lab_6/readme.md index e69de29..85c4f8c 100644 --- a/sergeev_evgenii_lab_6/readme.md +++ b/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 + +