Merge pull request 'gusev_vladislav_lab_3' (#62) from gusev_vladislav_lab_3 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/62

gusev_vladislav_lab_3/README.md

@@ -0,0 +1,27 @@
+### Вариант 9
+### Задание на лабораторную работу:
+Решите с помощью библиотечной реализации дерева решений задачу: Запрограммировать дерево решений как минимум на 99% ваших данных для задачи: Зависимость глубины алмаза (depth) от длины (x), ширины (y) и высоты алмаза (z) . Проверить работу модели на оставшемся проценте, сделать вывод.
+
+### Как запустить лабораторную работу:
+Выполняем файл gusev_vladislav_lab_3.py, решение будет в консоли.
+
+### Технологии
+Sklearn - библиотека с большим количеством алгоритмов машинного обучения. Нам понадобится библиотека для дерева решения регрессии sklearn.tree.DecisionTreeRegressor.
+
+### По коду
+1) Для начала загружаем данные из csv файла
+2) Разделеям данные на признаки (X) и целевую переменную (y)
+3) Разделяем данные на обучающее и тестовые
+4) Обучаем дерево регрессией (model)
+5) Выводим важность признаков, предсказание значений на тестовой выборке и оценку производительности модели
+
+Пример:
+
+![img.png](img.png)
+
+### Вывод
+- score: ~0.88. Это мера того, насколько хорошо модель соответствует данным. По значению 88% можно сказать, что модель хорошо соответствует данным.
+- feature_importances: ~0.26, ~0.34, ~0,39. Это говорит о важности признаков для нашей модели. Можно сказать, что высота (z) имеет наибольшую важность.
+- Mean Squared Error: 0.22. Это ошибка модели. Это говорит о том, что модель в среднем ошибается в 22% случаев.
+
+По итогу можно сказать, что модель отработала хорошо, из-за score ~0.88.

gusev_vladislav_lab_3/gusev_vladislav_lab_3.py

@@ -0,0 +1,31 @@
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.tree import DecisionTreeRegressor
+from sklearn.metrics import mean_squared_error
+
+# Загрузка данных из csv-файла
+data = pd.read_csv('diamonds_prices.csv', index_col='diamond_id')
+
+# Разделение данных на признаки (X) и целевую переменную (y)
+X = data[['x', 'y', 'z']]
+
+print (X.head())
+y = data['depth']
+
+# Разделение данных на обучающую и тестовую выборки
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=42)
+
+#Решение с помощью дерева регрессии
+model = DecisionTreeRegressor()
+model.fit(X_train, y_train)
+test_score = model.score(X_test, y_test)
+# Получение важности признаков
+feature_importances = model.feature_importances_
+# Предсказание значений на тестовой выборке
+y_pred = model.predict(X_test)
+# Оценка производительности модели
+mse = mean_squared_error(y_test, y_pred)
+
+print("score", test_score)
+print("feature_importances", feature_importances)
+print("Mean Squared Error: {:.2f}".format(mse))