fix part1
This commit is contained in:
parent
4f479043f1
commit
b58da2aab4
@ -1,118 +0,0 @@
|
|||||||
**Задание**
|
|
||||||
***
|
|
||||||
Решите с помощью библиотечной реализации дерева решений задачу из лабораторной работы «Веб-сервис «Дерево решений» по предмету «Методы искусственного интеллекта»на 99% ваших данных. Проверьте работу модели на оставшемся проценте, сделайте вывод
|
|
||||||
|
|
||||||
**Как запустить лабораторную**
|
|
||||||
***
|
|
||||||
Запустить файл main.py
|
|
||||||
|
|
||||||
**Используемые технологии**
|
|
||||||
***
|
|
||||||
Библиотеки pandas, scikit-learn, matplotlib, их компоненты
|
|
||||||
|
|
||||||
**Описание лабораторной (программы)**
|
|
||||||
***
|
|
||||||
В данном коде мы создаем и обучаем модель дерева решений для прогнозирования инцидентов с НЛО на основе набора данных.
|
|
||||||
|
|
||||||
1. В первой строке кода мы загружаем данные из CSV-файла 'ufo_data_nuforc.csv' с помощью функции pd.read_csv(). Эти данные содержат информацию о различных инцидентах с НЛО.
|
|
||||||
2. Далее мы выбираем набор признаков, в данном случае, эти признаки - населенность и время, которые будут использоваться для обучения модели, и сохраняем их в переменную features.
|
|
||||||
3. Затем преобразуем категориальные признаки в числовой вид при помощи функции pd.get_dummies(). Это необходимо, так как модель дерева решений работает только с числовыми данными.
|
|
||||||
4. После этого мы разделяем данные на обучающую и тестовую выборки с помощью функции train_test_split(). Обучающая выборка будет использоваться для обучения модели, а тестовая - для проверки ее точности.
|
|
||||||
5. Создаем модель дерева решений с помощью класса DecisionTreeClassifier() из библиотеки sklearn.tree.
|
|
||||||
6. Обучаем модель на обучающей выборке с помощью метода fit(). В процессе обучения модель настраивает параметры дерева решений, чтобы лучше предсказывать целевой признак.
|
|
||||||
7. После обучения модели, мы производим прогнозы на тестовых данных с помощью метода predict().
|
|
||||||
8. Оцениваем точность модели на тестовой выборке с помощью метода accuracy_score() из библиотеки sklearn.metrics. Этот метод сравнивает фактические значения целевого признака с предсказанными и возвращает точность модели.
|
|
||||||
9. Наконец, выводим точность модели на тестовой выборке, чтобы оценить, насколько хорошо модель предсказывает инциденты с НЛО.
|
|
||||||
10. Также, код визуализирует данные в виде графика с помощью библиотеки matplotlib.pyplot, отображая фактические значения целевого признака и предсказания модели. Это помогает наглядно оценить, насколько близки предсказания модели к реальным значениям.
|
|
||||||
**Результат**
|
|
||||||
***
|
|
||||||
Точность модели на тестовой выборке: 0.1377245508982036
|
|
||||||
Прогнозы по оставшемуся проценту данных: 'cylinder' 'circle' 'sphere' 'disk' 'disk' 'fireball' 'disk' 'oval'
|
|
||||||
'circle' 'disk' 'disk' 'other' 'light' 'light' 'oval' 'fireball' 'light'
|
|
||||||
'rectangle' 'chevron' 'unknown' 'sphere' 'oval' 'light' 'circle'
|
|
||||||
'unknown' 'unknown' 'disk' 'triangle' 'triangle' 'unknown' 'formation'
|
|
||||||
'unknown' 'cigar' 'unknown' 'light' 'other' 'rectangle' 'light' 'other'
|
|
||||||
'light' 'cylinder' 'delta' 'sphere' 'other' 'changing' 'fireball'
|
|
||||||
'cylinder' 'cigar' 'circle' 'triangle' 'light' 'fireball' 'fireball'
|
|
||||||
'sphere' 'circle' 'light' 'chevron' 'oval' 'oval' 'light' 'unknown'
|
|
||||||
'triangle' 'other' 'rectangle' 'triangle' 'triangle' 'flash' 'unknown'
|
|
||||||
'sphere' 'unknown' 'other' 'circle' 'oval' 'light' 'oval' 'formation'
|
|
||||||
'sphere' 'triangle' 'changing' 'sphere' 'oval' 'unknown' 'circle'
|
|
||||||
'circle' 'flash' 'light' 'light' 'sphere' 'other' 'other' 'egg' 'unknown'
|
|
||||||
'other' 'light' 'light' 'disk' 'diamond' 'oval' 'unknown' 'light'
|
|
||||||
'triangle' 'other' 'light' 'disk' 'unknown' 'light' 'changing' 'sphere'
|
|
||||||
'triangle' 'circle' 'flash' 'sphere' 'light' 'unknown' 'oval' 'formation'
|
|
||||||
'light' 'circle' 'unknown' 'other' 'triangle' 'other' 'light' 'disk'
|
|
||||||
'formation' 'oval' 'triangle' 'triangle' 'light' 'formation' 'oval'
|
|
||||||
'light' 'light' 'oval' 'disk' 'sphere' 'egg' 'unknown' 'unknown'
|
|
||||||
'unknown' 'light' 'disk' 'changing' 'light' 'light' 'circle' 'circle'
|
|
||||||
'formation' 'light' 'light' 'cigar' 'light' 'triangle' 'oval' 'fireball'
|
|
||||||
'cylinder' 'other' 'circle' 'egg' 'changing' 'triangle' 'circle' 'other'
|
|
||||||
'oval' 'disk' 'light' 'flash' 'fireball' 'circle' 'circle' 'circle'
|
|
||||||
'circle' 'light' 'disk' 'fireball' 'other' 'sphere' 'light' 'changing'
|
|
||||||
'cigar' 'light' 'cylinder' 'rectangle' 'chevron' 'light' 'light' 'light'
|
|
||||||
'light' 'circle' 'circle' 'light' 'light' 'circle' 'sphere' 'triangle'
|
|
||||||
'light' 'egg' 'circle' 'fireball' 'sphere' 'sphere' 'triangle' 'light'
|
|
||||||
'other' 'cigar' 'sphere' 'sphere' 'fireball' 'light' 'light' 'disk'
|
|
||||||
'oval' 'oval' 'other' 'cigar' 'triangle' 'light' 'light' 'light' 'disk'
|
|
||||||
'light' 'light' 'light' 'light' 'other' 'light' 'teardrop' 'triangle'
|
|
||||||
'teardrop' 'fireball' 'sphere' 'cylinder' 'fireball' 'circle' 'egg'
|
|
||||||
'sphere' 'disk' 'chevron' 'triangle' 'light' 'other' 'light' 'circle'
|
|
||||||
'rectangle' 'fireball' 'formation' 'light' 'light' 'circle' 'light'
|
|
||||||
'light' 'formation' 'light' 'triangle' 'light' 'oval' 'light' 'unknown'
|
|
||||||
'fireball' 'diamond' 'light' 'circle' 'light' 'triangle' 'oval' 'oval'
|
|
||||||
'cylinder' 'circle' 'light' 'disk' 'light' 'sphere' 'circle' 'light'
|
|
||||||
'triangle' 'light' 'fireball' 'triangle' 'light' 'flash' 'triangle' 'egg'
|
|
||||||
'disk' 'oval' 'circle' 'flash' 'light' 'oval' 'sphere' 'light' 'triangle'
|
|
||||||
'other' 'chevron' 'other' 'circle' 'unknown' 'unknown' 'sphere' 'light'
|
|
||||||
'cigar' 'light' 'fireball' 'circle' 'diamond' 'fireball' 'triangle'
|
|
||||||
'diamond' 'sphere' 'circle' 'chevron' 'cylinder' 'light' 'circle'
|
|
||||||
'fireball' 'unknown' 'light' 'circle' 'fireball' 'light' 'fireball'
|
|
||||||
'fireball' 'fireball' 'light' 'sphere' 'light' 'sphere' 'sphere'
|
|
||||||
'formation' 'light' 'fireball' 'fireball' 'disk' 'disk' 'circle'
|
|
||||||
'rectangle' 'unknown' 'disk' 'unknown' 'disk' 'triangle' 'other' 'sphere'
|
|
||||||
'diamond' 'light' 'light' 'unknown' 'sphere' 'circle' 'disk' 'circle'
|
|
||||||
'oval' 'changing' 'other' 'other' 'disk' 'unknown' 'unknown' 'disk'
|
|
||||||
'rectangle' 'disk' 'light' 'oval' 'unknown' 'sphere' 'light' 'changing'
|
|
||||||
'disk' 'disk' 'other' 'other' 'disk' 'cylinder' 'disk' 'rectangle'
|
|
||||||
'light' 'disk' 'disk' 'light' 'fireball' 'formation' 'cigar' 'oval'
|
|
||||||
'fireball' 'unknown' 'disk' 'light' 'light' 'triangle' 'triangle' 'light'
|
|
||||||
'sphere' 'triangle' 'sphere' 'circle' 'light' 'oval' 'oval' 'circle'
|
|
||||||
'oval' 'rectangle' 'disk' 'oval' 'light' 'light' 'other' 'cigar'
|
|
||||||
'triangle' 'disk' 'cigar' 'other' 'triangle' 'egg' 'unknown' 'triangle'
|
|
||||||
'light' 'triangle' 'disk' 'changing' 'triangle' 'disk' 'disk' 'rectangle'
|
|
||||||
'other' 'triangle' 'triangle' 'formation' 'triangle' 'egg' 'sphere'
|
|
||||||
'fireball' 'triangle' 'rectangle' 'light' 'triangle' 'triangle' 'other'
|
|
||||||
'light' 'light' 'disk' 'fireball' 'light' 'disk' 'oval' 'triangle'
|
|
||||||
'other' 'fireball' 'light' 'light' 'triangle' 'unknown' 'cigar' 'light'
|
|
||||||
'unknown' 'chevron' 'formation' 'disk' 'cigar' 'light' 'sphere' 'cigar'
|
|
||||||
'unknown' 'triangle' 'other' 'light' 'light' 'triangle' 'diamond' 'light'
|
|
||||||
'triangle' 'oval' 'changing' 'light' 'flash' 'circle' 'oval' 'other'
|
|
||||||
'sphere' 'circle' 'triangle' 'unknown' 'teardrop' 'unknown' 'fireball'
|
|
||||||
'light' 'light' 'cigar' 'cigar' 'light' 'fireball' 'other' 'egg' 'light'
|
|
||||||
'other' 'unknown' 'unknown' 'changing' 'circle' 'light' 'other' 'unknown'
|
|
||||||
'unknown' 'light' 'other' 'light' 'unknown' 'cylinder' 'triangle'
|
|
||||||
'circle' 'light' 'circle' 'circle' 'circle' 'light' 'light' 'changing'
|
|
||||||
'changing' 'circle' 'circle' 'triangle' 'triangle' 'light' 'light'
|
|
||||||
'light' 'light' 'other' 'changing' 'triangle' 'cylinder' 'light'
|
|
||||||
'unknown' 'circle' 'disk' 'sphere' 'oval' 'formation' 'teardrop'
|
|
||||||
'triangle' 'chevron' 'light' 'unknown' 'unknown' 'other' 'egg' 'circle'
|
|
||||||
'oval' 'cigar' 'unknown' 'chevron' 'oval' 'cigar' 'fireball' 'circle'
|
|
||||||
'unknown' 'light' 'sphere' 'fireball' 'changing' 'light' 'circle'
|
|
||||||
'unknown' 'fireball' 'light' 'sphere' 'light' 'formation' 'circle'
|
|
||||||
'fireball' 'formation' 'formation' 'formation' 'light' 'other' 'light'
|
|
||||||
'light' 'circle' 'diamond' 'oval' 'circle' 'oval' 'triangle' 'light'
|
|
||||||
'disk' 'light' 'other' 'triangle' 'triangle' 'cylinder' 'disk' 'cylinder'
|
|
||||||
'light' 'oval' 'cigar' 'circle' 'disk' 'light' 'unknown' 'circle' 'other'
|
|
||||||
'light' 'light' 'light' 'unknown' 'triangle' 'other' 'disk' 'cylinder'
|
|
||||||
'triangle' 'oval' 'disk' 'light' 'triangle' 'circle' 'light' 'other'
|
|
||||||
'light' 'other' 'circle' 'disk' 'other' 'triangle' 'oval' 'unknown'
|
|
||||||
'light' 'triangle' 'unknown' 'circle' 'unknown' 'light' 'fireball'
|
|
||||||
'fireball' 'rectangle' 'light' 'formation' 'unknown' 'light' 'light'
|
|
||||||
'formation' 'fireball' 'light' 'light' 'other' 'unknown' 'light'
|
|
||||||
'triangle' 'fireball' 'triangle' 'triangle' 'flash' 'circle' 'triangle'
|
|
||||||
'disk' 'light' 'unknown' 'light' 'light' 'fireball' 'circle' 'unknown'
|
|
||||||
'unknown' 'circle' 'disk' 'chevron' 'disk' 'disk' 'triangle' 'light'
|
|
||||||
'light' 'disk'
|
|
||||||
|
|
||||||
***Вывод:*** Наша модель дерева решений показала низкую точность предсказаний (Точность модели на тестовой выборке: 0.1377245508982036), что означает, что она не очень хорошо предсказывает форму НЛО на основе выбранных признаков (население и время). Из-за чего можно сделать вывод, что возможно, эти признаки недостаточно информативны или недостаточно связаны с формой НЛО.
|
|
||||||
@ -1,39 +0,0 @@
|
|||||||
import pandas as pd
|
|
||||||
from sklearn.tree import DecisionTreeClassifier
|
|
||||||
from sklearn.metrics import accuracy_score
|
|
||||||
from sklearn.model_selection import train_test_split
|
|
||||||
|
|
||||||
# Загрузка данных
|
|
||||||
data = pd.read_csv('ufo_sighting_data.csv')
|
|
||||||
|
|
||||||
# Выбор признаков
|
|
||||||
features = [ 'length_of_encounter_seconds', 'latitude', 'longitude']
|
|
||||||
target = 'UFO_shape'
|
|
||||||
# Удаление строк содержащих NaN
|
|
||||||
data.dropna(inplace=True)
|
|
||||||
|
|
||||||
# Удаление столбцов содержащих NaN
|
|
||||||
data.dropna(axis='columns', inplace=True)
|
|
||||||
|
|
||||||
# Разделение данных на обучающую и тестовую выборки
|
|
||||||
train_data, test_data, train_labels, test_labels = train_test_split(data[features], data[target], test_size=0.2, random_state=42)
|
|
||||||
|
|
||||||
# Создание и обучение модели дерева решений
|
|
||||||
model = DecisionTreeClassifier()
|
|
||||||
model.fit(train_data, train_labels)
|
|
||||||
|
|
||||||
# Прогнозирование на тестовой выборке
|
|
||||||
predictions = model.predict(test_data)
|
|
||||||
|
|
||||||
# Оценка точности модели
|
|
||||||
accuracy = accuracy_score(test_labels, predictions)
|
|
||||||
print('Точность модели на тестовой выборке:', accuracy)
|
|
||||||
|
|
||||||
# Прогнозирование на оставшемся проценте данных
|
|
||||||
remaining_data = data.drop(test_data.index)
|
|
||||||
remaining_predictions = model.predict(remaining_data[features])
|
|
||||||
|
|
||||||
# Вывод результатов
|
|
||||||
print('Прогнозы по оставшемуся проценту данных:', remaining_predictions)
|
|
||||||
|
|
||||||
# Сделайте необходимые выводы
|
|
||||||
File diff suppressed because one or more lines are too long
Loading…
Reference in New Issue
Block a user