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
This commit is contained in:
commit
8c13500795
53
sergeev_evgenii_lab_6/lab6.py
Normal file
53
sergeev_evgenii_lab_6/lab6.py
Normal file
@ -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}%")
|
31
sergeev_evgenii_lab_6/readme.md
Normal file
31
sergeev_evgenii_lab_6/readme.md
Normal file
@ -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
|
||||||
|
|
||||||
|
|
Loading…
Reference in New Issue
Block a user