basharin_sevastyan_lab_4 is ready

basharin_sevastyan_lab_4/README.md

@@ -0,0 +1,110 @@
+## Лабораторная работа 4. Вариант 5.
+### Задание 
+Использовать метод кластеризации по варианту для набора данных, самостоятельно сформулировав задачу. 
+Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вами задачи.
+Алгоритм кластеризации: K-means
+
+### Как запустить
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+``` python
+python main.py
+```
+
+### Используемые технологии
+- Библиотека `pandas`, используемая для работы с данными для анализа scv формата.
+- `sklearn` (scikit-learn): Scikit-learn - это библиотека для машинного обучения и анализа данных в Python. Из данной библиотеки были использованы следующие модули:
+ - `KMeans` - реализация алгоритма K-means для кластеризации данных.
+ - `LabelEncoder` - это класс из scikit-learn, используемый для преобразования категориальных признаков (например, строки) в числовые значения.
+ - `matplotlib.pyplot` - библиотека для визуализации данных, используется для построения графика метода локтя и визуализации результатов кластеризации.
+
+### Описание работы
+#### Описание набора данных
+Набор данных: набор данных о цене автомобиля в автопарке.
+
+Названия столбцов набора данных и их описание:
+
+- Id: Уникальный идентификатор для каждого автомобиля в списке.
+- Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
+- Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
+- Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
+- Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
+- Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
+- Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
+- Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
+- Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
+- Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
+- Assembly: Импорт или местный рынок.
+- Body Type: Тип кузова.
+- Transmission Type: Тип трансмиссии.
+- Registration Status: Статус регистрации.
+
+Ссылка на страницу набора на kuggle: [Ultimate Car Price Prediction Dataset](https://www.kaggle.com/datasets/mohidabdulrehman/ultimate-car-price-prediction-dataset/data)
+
+#### Оцифровка и нормализация данных
+Для нормальной работы с данными, необходимо исключить из них все нечисловые значения. 
+После этого, представить все строковые значения параметров как числовые и очистить датасет от "мусора". 
+Для удаления нечисловых значений воспользуемся функцией `.dropna()`.
+Так же мы удаляем первый столбец `Id`, так как при открытии файла в `pd` он сам нумерует строки.
+
+Все нечисловые значения мы преобразуем в числовые с помощью `LabelEncoder`:
+```python
+label_encoder = LabelEncoder()
+data['Location'] = label_encoder.fit_transform(data['Location'])
+data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
+data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
+data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
+data['Color'] = label_encoder.fit_transform(data['Color'])
+data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
+data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
+data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
+data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
+```
+
+#### Выбор признаков для кластеризации:
+```python
+features = ['Price', 'Model Year', 'Mileage', 'Engine Capacity']
+```
+Данный набор признаков был выбран, так как многие из них показали высокую важность в предыдущей лабораторной работе.
+
+#### Метод локтя 
+Алгоритм K-средних требует четкого задание количества кластеров. Выберем количество кластеров, используя метод локтя.
+```python
+from sklearn.cluster import KMeans
+
+inertia = []
+for n_clusters in range(1, 11):
+    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
+    kmeans.fit(data[features])
+    inertia.append(kmeans.inertia_)
+```
+В результате мы получим следующий график:
+![](elbow.png "Точность")
+Анализирую этот график, видим, что примерно на 5-6 шаге инерция меняется уже не значительно. 
+Задаем значение кластеров равным 5.
+```python
+optimal_clusters = 5
+```
+
+#### Применение K-means
+K-means применяется с оптимальным числом кластеров, вычисленным на предыдущем этапе.
+```python
+from sklearn.cluster import KMeans
+
+kmeans = KMeans(n_clusters=optimal_clusters, random_state=42)
+data['Cluster'] = kmeans.fit_predict(data[features])
+```
+
+#### Интерпретация результатов
+Для каждого кластера выводятся статистические характеристики выбранных признаков.
+![](clust1.png "Точность")
+![](clust2.png "Точность")
+
+#### Визуализация результатов
+Результаты кластеризации визуализируются на графике рассеяния, например, по двум признакам.
+![](engine_clust.png "Точность")
+![](mileage_clust.png "Точность")
+
+### Вывод
+На основе графиков и интерпретированных результатов можно сделать вывод, что кластеризация проведена
+верно. Коэффициент силуэта: `0.62`. Коэффициент может варьироваться от -1 до 1, можно сказать, что оценка высокая и 
+метод K-means подходит для решения поставленной задачи.

basharin_sevastyan_lab_4/main.py

@@ -0,0 +1,92 @@
+import pandas as pd
+from sklearn.preprocessing import LabelEncoder
+from sklearn.cluster import KMeans
+from sklearn.metrics import silhouette_score
+import matplotlib.pyplot as plt
+
+''' Названия столбцов набора данных и их описание:
+Id: Уникальный идентификатор для каждого автомобиля в списке.
+Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
+Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
+Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
+Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
+Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
+Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
+Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
+Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
+Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
+'''
+
+
+# Загрузите данные из вашей курсовой работы, предположим, что у вас есть файл CSV.
+data = pd.read_csv('Data_pakwheels.csv')
+data.pop("Id")
+
+data.dropna(inplace=True)  # Удаление строки с пропущенными значениями.
+
+# Преобразуйте категориальные признаки в числовые. Используйте, например, one-hot encoding.
+# data = pd.get_dummies(data, columns=['Company Name', 'Model Name', 'Location', 'Engine Type', 'Color'])
+
+# Создайте объект LabelEncoder
+label_encoder = LabelEncoder()
+
+data['Location'] = label_encoder.fit_transform(data['Location'])
+data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
+data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
+data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
+data['Color'] = label_encoder.fit_transform(data['Color'])
+data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
+data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
+data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
+data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
+
+# Выбор признаков для кластеризации
+features = ['Price', 'Model Year', 'Mileage', 'Engine Capacity']
+
+# Выбор числа кластеров с использованием метода локтя
+inertia = []
+for n_clusters in range(1, 11):
+    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
+    kmeans.fit(data[features])
+    inertia.append(kmeans.inertia_)
+
+# Визуализация метода локтя
+plt.plot(range(1, 11), inertia, marker='o')
+plt.xlabel('Number of clusters')
+plt.ylabel('Inertia')
+plt.title('Elbow Method for Optimal k')
+plt.show()
+
+# Выбор оптимального числа кластеров (пример, если "локоть" находится при k=3)
+optimal_clusters = 5
+
+# Применение K-means
+kmeans = KMeans(n_clusters=optimal_clusters, random_state=42)
+data['Cluster'] = kmeans.fit_predict(data[features])
+
+# получение меток кластеров
+labels = kmeans.labels_
+data['Cluster'] = labels
+# оценка качества с помощью коэффициента силуэта
+silhouette = silhouette_score(data[features].values, labels)
+print(f"Коэффициент силуэта: {silhouette:.2f}")
+
+# Интерпретация результатов
+for cluster_num in range(optimal_clusters):
+    cluster_data = data[data['Cluster'] == cluster_num]
+    print(f"\nCluster {cluster_num + 1} characteristics:")
+    print(cluster_data[features].describe())
+
+# Дополнительная визуализация, например, по двум признакам
+plt.scatter(data['Price'], data['Mileage'], c=data['Cluster'], cmap='viridis')
+plt.xlabel('Price')
+plt.ylabel('Mileage')
+plt.title('Clustering Results')
+plt.show()
+
+# получение меток кластеров
+labels = kmeans.labels_
+data['Cluster'] = labels
+# оценка качества с помощью коэффициента силуэта
+silhouette = silhouette_score(data[features].values, labels)
+print(f"Коэффициент силуэта: {silhouette:.2f}")