podkorytova_yulia_lab_6

podkorytova_yulia_lab_6/README.md

@@ -0,0 +1,40 @@
+# Лабораторная работа 6. Нейронная сеть
+### Задание на лабораторную:
+Использовать нейронную сеть для данных из курсовой работы, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
+
+**Вариант 20 (четный).**
+Нейроная сеть: MLPRegressor.
+
+**Набор данных:** "Moscow tutors". Ссылка: https://www.kaggle.com/datasets/vadimantipov/moscow-tutors
+
+**Задача:** предсказать стоимость занятий репетиторов на основе имеющихся данных.
+
+***
+### Как запустить лабораторную работу:
+Для запуска лабораторной работы необходимо открыть файл `lr6.py`, нажать на ПКМ и в выпадающем списке выбрать опцию "Run".
+***
+### Технологии:
+**Pandas** - это библиотека на языке Python, которая предоставляет удобные и эффективные инструменты для обработки и анализа данных. Она предоставляет высокоуровневые структуры данных, такие как DataFrame, которые позволяют легко и гибко работать с табличными данными.
+
+**Matplotlib** - это библиотека визуализации данных на языке программирования Python, которая предоставляет широкий спектр инструментов для создания различных типов графиков, диаграмм и визуализаций данных.
+
+**Scikit-learn (Sklearn)** - это библиотека для языка программирования Python, которая предоставляет инструменты для разработки и применения различных алгоритмов машинного обучения, включая классификацию, регрессию, кластеризацию, снижение размерности и многое другое. Scikit-learn также предлагает функции для предобработки данных, оценки моделей и выбора наилучших параметров.
+***
+### Что делает лабораторная работа:
+В лабораторной работе сначала загружаются данные из файла `tutors.csv`, пустые значения убираются из выборки, строковые значения приводятся к числовому типу.
+Далее происходит разделение данных на обучащий (95% данных) и тестовый (5% данных) наборы при помощи функции *train_test_split*. 
+Перед обучением модели данные масштабируются с использованием *StandardScaler*. 
+После создается модель MLPRegressor, происходит обучение модели на тренировочных данных, предсказание стоимости занятий и оценка качества модели.
+
+Результатом работы являются предсказанные стоимости занятий и оценка качества модели, выведенные в консоль, а также график, отображающий фактические и предсказанные стоимости занятий репетиторов.
+***
+### Пример выходных данных:
+***Оценка качества модели и стоимости занятий***
+![](consoleRes.JPG)
+
+***График***
+![](plotRes.JPG)
+***
+**Вывод**: результатом лабораторной работы стали предсказанные стоимости занятий репетиторов, полученные при помощи нейроной сети *MLPRegressor*. 
+Оценка качества модели показала результат *0.07*, что является очень низким значением (чуть выше, чем у линейной регрессии) и говорит о том, что нейроная сеть *MLPRegressor* плохо справилась со своей задачей.
+По фактическим и предсказанным стоимостям в консоли и на графике видно, что значения сильно расходятся.

podkorytova_yulia_lab_6/lr6.py

@@ -0,0 +1,51 @@
+import pandas as pd
+from matplotlib import pyplot as plt
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPRegressor
+from sklearn.preprocessing import StandardScaler
+
+# загрузка и обработка данных
+tutors_data = pd.read_csv('tutors.csv')
+tutors_data = tutors_data.dropna()
+
+status_coding = {'Student': 0, 'School teacher': 1, 'Postgraduate student': 2, 'Private tutor': 3, 'University professor': 4, 'Native speaker': 5}
+tutors_data['Status'] = tutors_data['Status'].replace(status_coding)
+
+photo_coding = {'No': 0, 'Yes': 1}
+tutors_data['Photo'] = tutors_data['Photo'].replace(photo_coding)
+tutors_data['Video_presentation'] = tutors_data['Video_presentation'].replace(photo_coding)
+
+# выбор признаков и целевой переменной
+X = tutors_data[['Score', 'Reviews_number', 'Experience', 'Status', 'Video_presentation', 'Photo']]
+y = tutors_data['Price']
+
+# разделение данных на обучащий и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.05, random_state=42)
+
+# масштабирование данных
+scaler = StandardScaler()
+X_train = scaler.fit_transform(X_train)
+X_test = scaler.transform(X_test)
+
+# создание и обучение модели MLPRegressor
+model = MLPRegressor(hidden_layer_sizes=(100, 100), activation='relu', solver='adam', random_state=42)
+model.fit(X_train, y_train)
+# предсказание стоимости занятия
+predictions = model.predict(X_test)
+# оценка качества модели
+score = model.score(X_test, y_test)
+print(f"Качество модели = {score:.2f}")
+
+# вывод результатов в консоль
+test_data = y_test.values
+print("------------ СТОИМОСТИ ЗАНЯТИЙ ------------")
+for i in range(len(predictions)):
+    print(f"Фактическая: {test_data[i]}\t\tПредсказанная: {int(predictions[i])}")
+
+# отображение результатов на графике
+plt.scatter(y_test, predictions, color='b')
+plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], color='r')
+plt.xlabel("Фактическая стоимость занятия")
+plt.ylabel("Предсказанная стоимость занятия")
+plt.title("MLPRegressor")
+plt.show()